Geskandeerde PDF na teks-omskakelaar

Q: Waarom kom die teks van 'n bladsy met twee kolomme deurmekaar uit?

Kolomme word geskei gehou wanneer **Teksuitleg** op Behou uitleg staan, die verstek hier. As reëls van altwee kolomme steeds afwissel, is die gaping tussen hulle op die skandering nou; 'n skoner skandering met reguit bladsye herstel dit gewoonlik.

As u nie 'n enkele woord in 'n PDF kan merk nie, is dit 'n skandering: 'n stapel bladsyfoto's sonder enige teks daarin. Laai dit hier op, en OCR lees elke bladsy terug na gewone teks wat u kan kopieer, deursoek en wysig.

of los PDF, JPG, JPEG …-lêers hier ·

Maks. 95 MB per lêer· Tot 20 lêers· Uitgevee na 30 minute

Uitvoer

Dokumenttaal

Uitvoer

Tekstipe

Lêers word op ons bedieners verwerk en na 30 minute uitgevee.

Hoe om hierdie nutsding te gebruik

1
Laai die geskandeerde PDF op
Voeg die PDF by, of tot 20 daarvan, elk tot 95 MB. Veelbladsy-TIFF-skanderings en enkelbladsy-beelde werk ook.
2
Stel die taal en bladsye
Dokumenttaal is Engels en Uitvoer is Gewone teks (.txt). Verander die taal vir ander dokumente, en gebruik onder Gevorderde instellings die opsie Bladsye om net 'n reeks van 'n lang lêer te lees.
3
Herken die teks
Druk Herken teks. Bladsye word eers reguit gemaak en regop gedraai, en dan in volgorde in een tekslêer gelees.

Geskandeerde PDF teenoor deursoekbare PDF: waarom die teks ontbreek

PDF met net beeldegeskandeerde PDF · nie-deursoekbare PDF · plat PDF: 'n PDF waarvan die bladsye as prente gestoor is, gewoonlik gemaak deur 'n skandeerder, 'n kopieermasjien se skandeer-na-e-pos-funksie of 'n foon-skanderingsprogram. Dit lyk soos 'n dokument, maar daar is geen karakterkodes binne nie, so niks kan gekies, deursoek of hardop gelees word nie.

'n Gewone PDF wat uit Word of 'n blaaier uitgevoer is, bevat teksvoorwerpe: elke woord word as karakters met 'n lettertipe en 'n posisie gestoor, so soek en kopieer werk. 'n Skandeerder slaan dit alles oor en stoor een beeld per bladsy. Vir 'n rekenaar is die bladsy met jou kontrak daarop dieselfde soort data as 'n foto van 'n kat.

OCR bou die ontbrekende laag weer op. Die bladsybeeld word skoongemaak, reëls en woorde word gevind, en elke karaktervorm word vergelyk met die alfabet van die gekose Dokumenttaal. Hierdie bladsy gee daardie resultaat as gewone teks terug. 'n Deursoekbare PDF is die ander algemene resultaat: die skandering bly sigbaar en die herkende woorde word as onsigbare teks daaragter bygevoeg, 'n weergawemodus wat die PDF-standaard, ISO 32000, nog altyd toelaat.

Die gratis Adobe Acrobat Reader kan 'n skandering wys maar doen nie OCR nie; herkenning is deel van die betaalde Acrobat-weergawes. 'n Omskakelaar is die kortpad wanneer jy die woorde net een keer nodig het en nie nog 'n intekening wil hê nie. As jou skanderings steeds swak uitkom, dek ons gids oor hoe om dokumente na PDF te skandeer skandeerder- en foon-instellings.

Skanderingsresolusie om teks uit 'n geskandeerde PDF te haal

Size	Pixels	cm	in	DPI	Fits
Letter	1700 × 2200	21,59 × 27,94	8,5 × 11	200	Net groot, skoon druk; klein teks word geraai
Letter	2550 × 3300	21,59 × 27,94	8,5 × 11	300	Standaard vir OCR van gedrukte bladsye
A4	2480 × 3508	21 × 29,7	8,27 × 11,69	300	Dieselfde detail op A4-papier
A4	3307 × 4677	21 × 29,7	8,27 × 11,69	400	Voetnotas, fyn druk, ou tikmasjienbladsye

Wanneer die teks uit 'n geskandeerde PDF verkeerd uitkom

Woorde kom as onsin uit oor 'n hele bladsy
Die bladsy is waarskynlik in 'n ander taal of skrif. Stel Dokumenttaal daarvolgens, en voeg Herken ook by vir 'n tweede taal op dieselfde bladsy.
Reëls breek middel in 'n sin en woorde eindig met koppeltekens
Dit volg die gedrukte reëlbreuke. Kies Gewone teksvloei onder Teksuitleg vir een aaneenlopende blok teks; oorblywende koppeltekens het 'n vinnige soek-en-vervang nodig.
Sommige bladsye ontbreek in die tekslêer
Kyk dat Bladsye onder Gevorderde instellings op Alle bladsye staan. 'n Reeks soos 1-3 beperk herkenning met opset.

PDF

Portable Document Format

PDF is in 1993 deur Adobe geskep en het in 2008 die oop ISO 32000-standaard geword. Dit maak teks, lettertipes, beelde en uitleg vas sodat 'n dokument op elke skerm en drukker dieselfde lyk. PDF's kan vorms, handtekeninge, skakels, aanhangsels en deursoekbare teks bevat, en die PDF/A-variant word vir langtermyn-argivering gebruik. Die vaste uitleg maak PDF's moeilik om te redigeer, en geskandeerde PDF's bevat net beelde tensy OCR toegepas word. Elke blaaier en bedryfstelsel kan dit oopmaak.

Kompressie: –
Deursigtigheid: Ja
Animasie: Nee
Bekendgestel: 1993 · Adobe

PDF-omskakelaar

TXT

Gewone teks

'n TXT-lêer bevat slegs gewone karakters sonder formatering, lettertipes, beelde of uitleg. Moderne teksleêrs is gewoonlik in UTF-8 geënkodeer, wat elke taal dek, hoewel ouer lêers ander enkoderings kan gebruik en onleesbare karakters kan wys. Gewone teks is piepklein, raak nooit uitgedien nie en maak op elke toestel oop, van foons tot bedieners. Dit kan nie vetdruk, tabelle of prente hou nie, so struktuur moet met spasiëring of eenvoudige opmerking uitgedruk word.

Kompressie: –
Deursigtigheid: –
Animasie: –
Bekendgestel: –

TXT-omskakelaar

'n Geskandeerde PDF stoor prente van bladsye, so die woorde kan nie gekopieer, deursoek of geïndekseer word nie; as jy hulle in 'n TXT-lêer herken, word die skandering teks wat in 'n redigeerder, 'n vertaler of 'n soekblokkie werk.

Vrae oor geskandeerde PDF na teks

Hoe weet ek of my PDF geskandeer is of reeds teks bevat?

Probeer om 'n sin te kies of met Ctrl+F of Command+F na 'n woord te soek. As die wyser die hele bladsy soos 'n prent kies en die soektog niks vind nie, is dit 'n skandering met net beelde en het dit OCR nodig. As woorde normaal uitgelig word, is die teks reeds daar en trek PDF na TXT dit presies uit, sonder 'n herkenningstap.

Wat is die beter resultaat: gewone teks of 'n deursoekbare PDF?

Gewone teks is om die woorde te hergebruik: aanhaal, vertaal, in 'n databasis of 'n e-pos plak. 'n Deursoekbare PDF behou die voorkoms van die skandering en verberg die teks daaragter, wat by argiewe en kontrakte pas. As jy die tweede wil hê, is OCR PDF daarvoor opgestel.

Watter skanderingsresolusie gee die beste teks uit 'n PDF?

300 DPI vir gewone gedrukte bladsye. Tesseract se dokumentasie beskryf dat akkuraatheid afneem vir teks kleiner as ongeveer 10 pt by 300 DPI, so voetnotas en fyn druk baat by 400 DPI. 600 DPI help selde vir OCR en maak die PDF etlike kere groter.

Kan ek teks uit 'n geskandeerde PDF van 'n getikte of ou boekbladsy haal?

Gewoonlik ja. Tikmasjien- en boeklettertipe is gewone gedrukte letters, en Maak bladsye reguit regstel die skeefheid wat dikwels kom van die skandering van 'n gebinde boek. Baie verbleikte bladsye lees beter met Verbeter kontras aangeskakel.

Waarom kom die teks van 'n bladsy met twee kolomme deurmekaar uit?

Kolomme word geskei gehou wanneer Teksuitleg op Behou uitleg staan, die verstek hier. As reëls van altwee kolomme steeds afwissel, is die gaping tussen hulle op die skandering nou; 'n skoner skandering met reguit bladsye herstel dit gewoonlik.