Dlaczego kopiowanie z PDF często kończy się bałaganem
Zaznaczenie tekstu w przeglądarce PDF i wklejenie go gdzie indziej zwykle daje połamane wiersze, brakujące spacje albo słowa w złej kolejności. Przyczyną jest sposób, w jaki PDF przechowuje tekst.
PDF nie zawiera akapitów ani wierszy tak jak edytor tekstu. Zawiera instrukcje typu „narysuj te znaki w tym miejscu tą czcionką”. Zdanie może być zapisane jako jeden fragment, jako osobny fragment dla każdego słowa, a nawet jako pojedyncze litery, a kolejność tych fragmentów w pliku nie musi odpowiadać kolejności czytania. Format zaprojektowano tak, by strony wszędzie wyglądały identycznie, a nie po to, by tekst dało się łatwo wykorzystać ponownie.
Wyodrębnienie całego tekstu naraz specjalnym narzędziem pozwala uniknąć żmudnego zaznaczania i daje cały dokument jako zwykły tekst, który można wkleić, przeszukać lub edytować.
Jak tekst jest odtwarzany
Narzędzie odczytuje fragmenty tekstu na każdej stronie za pomocą PDF.js, a następnie składa je z powrotem:
- Fragmenty leżące na tej samej linii bazowej są łączone w jeden wiersz.
- Gdy zmienia się pozycja w pionie, zaczyna się nowy wiersz.
- Strony są oddzielone pustą linią, więc nadal widać, gdzie kończy się każda z nich.
- W trakcie odczytu widać postęp, a liczba stron pojawia się razem z wynikiem.
Wynik to zwykły tekst w UTF-8: bez czcionek, pogrubień, rozmiarów i kolorów. Możesz skopiować wszystko jednym kliknięciem albo zapisać go jako plik .txt nazwany tak jak PDF.
Układy, które wymagają poprawek
Ponieważ PDF zapisuje tylko pozycje, niektóre układy wychodzą w kolejności, której możesz się nie spodziewać.
Tekst wielokolumnowy
Gazety, artykuły naukowe i newslettery często mają dwie lub trzy kolumny. Jeśli program, który utworzył plik, zapisał najpierw lewą kolumnę, dostaniesz czysty tekst kolumna po kolumnie. Jeśli zapisywał stronę wiersz po wierszu w poprzek kolumn, wiersze z lewej i prawej kolumny będą się przeplatać. Zanim zaufasz reszcie, sprawdź pierwszą stronę wyniku.
Tabele
Komórki z tego samego wiersza są łączone w jedną linię, zwykle bez separatora, więc „Total 1,240.00 EUR” może pojawić się jako „Total1,240.00EUR” albo z nieregularnymi odstępami. W przypadku tabel zwykły tekst to punkt wyjścia; spodziewaj się ręcznego odtwarzania kolumn albo pracy w arkuszu kalkulacyjnym. Jeśli potrzebujesz też formatowania, PDF na Word próbuje zachować strukturę.
Nagłówki, stopki i dzielenie wyrazów
Żywa pagina, stopki i numery stron są częścią każdej strony i pojawiają się w tekście za każdym razem. Wyrazy przeniesione na końcu wiersza pozostają rozdzielone („doku-” i „ment” w osobnych liniach). Znajdź i zamień tekst nagłówka oraz „-” z następującym po nim złamaniem wiersza — to szybko porządkuje większość dokumentów.
Gdy wynik jest pusty lub zniekształcony
- Brak jakiegokolwiek tekstu. Strony są obrazami — zwykle to skan albo zdjęcie zapisane jako PDF. Nie ma warstwy tekstowej, którą dałoby się wyodrębnić. Użyj OCR PDF, aby dodać warstwę tekstową za pomocą optycznego rozpoznawania znaków, a potem wyodrębnij ją tutaj.
- Tekst tylko na niektórych stronach. Dokumenty mieszane, np. pismo wpisane na komputerze ze zeskanowaną stroną z podpisem, zawierają tekst tylko tam, gdzie był wpisywany.
- Dziwne symbole zamiast liter. Niektóre PDF-y osadzają czcionki bez tabeli, która mapuje glify z powrotem na znaki. Przeglądarki rysują je poprawnie, ale kody pod spodem nic nie znaczą. Kopiowanie z dowolnej przeglądarki da ten sam efekt; jedynym niezawodnym rozwiązaniem jest OCR.
- „Nie udało się odczytać tego PDF”. Plik jest chroniony hasłem do otwierania albo uszkodzony. Otwórz go z hasłem i zapisz niezabezpieczoną kopię albo napraw go, drukując do PDF ze swojej przeglądarki.
Do czego się przydaje
- Cytowanie lub ponowne wykorzystanie fragmentów raportów, umów i instrukcji bez przepisywania.
- Liczenie słów w maszynopisie albo pracy oddanej jako PDF; wklej wynik do licznika słów.
- Przeszukiwanie długiego dokumentu w edytorze tekstu za pomocą wyrażeń regularnych.
- Przekazanie treści do narzędzi do tłumaczenia, streszczania lub porównywania, które przyjmują zwykły tekst.
- Archiwizowanie czytelnej treści dokumentu w formacie, który otworzy się wszędzie przez dziesięciolecia.
Obsługiwane są pliki do 100 MB. Tekst jest wyodrębniany na Twoim urządzeniu i nigdy nigdzie nie jest wysyłany, co ma znaczenie przy umowach, dokumentacji medycznej i innych dokumentach, których nie wkleiłbyś do usługi online.