Převod skenovaného PDF na text

Q: Proč se text ze stránky se dvěma sloupci promíchá?

Sloupce zůstanou oddělené, když je **Rozvržení textu** nastaveno na Zachovat rozvržení, což je zde výchozí volba. Pokud se řádky obou sloupců přesto střídají, je mezera mezi nimi na skenu úzká; obvykle pomůže čistější sken s rovnými stránkami.

Pokud v PDF nejde označit ani jedno slovo, jde o sken: sadu fotek stránek bez textu uvnitř. Nahrajte ho sem a OCR převede každou stránku zpět na prostý text, který můžete kopírovat, prohledávat a upravovat.

nebo sem přetáhněte soubory PDF, JPG, JPEG … ·

Max. 95 MB na soubor· Až 20 souborů· Smazáno po 30 minutách

Výstup

Jazyk dokumentu

Výstup

Typ textu

Soubory se zpracovávají na našich serverech a po 30 minutách se smažou.

Jak nástroj používat

1
Nahrajte skenované PDF
Přidejte PDF, nebo až 20 souborů, každý do 95 MB. Fungují také vícestránkové skeny TIFF a obrázky o jedné stránce.
2
Nastavte jazyk a stránky
Jazyk dokumentu je angličtina a Výstup je Prostý text (.txt). U jiných dokumentů jazyk změňte a v části Pokročilá nastavení pomocí Stránky přečtěte jen rozsah z dlouhého souboru.
3
Rozpoznejte text
Stiskněte Rozpoznat text. Stránky se nejprve narovnají a otočí do správné polohy, poté se postupně přečtou do jednoho textového souboru.

Skenované vs. prohledávatelné PDF: proč chybí text

PDF pouze z obrázkůnaskenované PDF · neprohledávatelné PDF · ploché PDF: PDF, jehož stránky jsou uloženy jako obrázky, obvykle vytvořené skenerem, funkcí skenování do e-mailu na kopírce nebo aplikací pro skenování v telefonu. Vypadá jako dokument, ale uvnitř nejsou žádné kódy znaků, takže nelze nic označit, vyhledat ani nechat přečíst nahlas.

Běžné PDF exportované z Wordu nebo prohlížeče obsahuje textové objekty: každé slovo je uloženo jako znaky s písmem a pozicí, takže vyhledávání a kopírování fungují. Skener to celé přeskočí a uloží jeden obrázek na stránku. Pro počítač je stránka s vaší smlouvou stejný druh dat jako fotka kočky.

OCR obnoví chybějící vrstvu. Obraz stránky se vyčistí, najdou se řádky a slova a tvar každého znaku se porovná s abecedou zvoleného Jazyk dokumentu. Tato stránka vrací výsledek jako prostý text. Druhým běžným výsledkem je prohledávatelné PDF: sken zůstane viditelný a rozpoznaná slova se přidají za něj jako neviditelný text, což je režim vykreslování, který norma PDF ISO 32000 vždy umožňovala.

Bezplatný Adobe Acrobat Reader umí sken zobrazit, ale OCR neprovádí; rozpoznávání je součástí placených verzí Acrobatu. Převodník je zkratka, když potřebujete slova jen jednou a nechcete další předplatné. Pokud vaše skeny stále vycházejí slabě, náš návod jak skenovat dokumenty do PDF popisuje nastavení skeneru i telefonu.

Rozlišení skenu pro získání textu ze skenovaného PDF

Size	Pixels	cm	in	DPI	Fits
Letter	1700 × 2200	21,59 × 27,94	8,5 × 11	200	Jen velký čistý tisk; malý text se odhaduje
Letter	2550 × 3300	21,59 × 27,94	8,5 × 11	300	Standard pro OCR tištěných stránek
A4	2480 × 3508	21 × 29,7	8,27 × 11,69	300	Stejný detail na papíru A4
A4	3307 × 4677	21 × 29,7	8,27 × 11,69	400	Poznámky pod čarou, drobný text, staré stránky z psacího stroje

Když převod skenovaného PDF na text selže

Slova vycházejí jako nesmysl na celé stránce
Stránka je pravděpodobně v jiném jazyce nebo písmu. Nastavte Jazyk dokumentu podle ní a pro druhý jazyk na stejné stránce přidejte Rozpoznat také.
Řádky jsou zalomeny uprostřed věty a slova končí rozdělovníky
To odpovídá tištěnému zalomení řádků. V Rozvržení textu zvolte Souvislý prostý text pro jeden nepřerušený blok textu; zbylé rozdělovníky vyžadují rychlé najít a nahradit.
V textovém souboru chybí některé stránky
Zkontrolujte, zda je Stránky v části Pokročilá nastavení nastaveno na Všechny stránky. Rozsah jako 1-3 rozpoznávání záměrně omezuje.

PDF

Portable Document Format

PDF vytvořil Adobe v roce 1993 a v roce 2008 se stal otevřenou normou ISO 32000. Zafixuje text, písma, obrázky a rozvržení, takže dokument vypadá stejně na každé obrazovce i tiskárně. PDF může obsahovat formuláře, podpisy, odkazy, přílohy a prohledávatelný text a varianta PDF/A se používá pro dlouhodobou archivaci. Pevné rozvržení ztěžuje úpravy a skenovaná PDF obsahují jen obrázky, pokud se nepoužije OCR. Otevře je každý prohlížeč i operační systém.

Komprese: –
Průhlednost: Ano
Animace: Ne
Představeno: 1993 · Adobe

Převodník PDF

TXT

Prostý text

Soubor TXT obsahuje pouze prosté znaky bez formátování, písem, obrázků či rozvržení. Moderní textové soubory bývají kódované v UTF-8, které pokrývá všechny jazyky, starší soubory ale mohou používat jiná kódování a zobrazit nesmyslné znaky. Prostý text je drobný, nikdy nezastará a otevře se na každém zařízení od telefonů po servery. Neobsahuje tučné písmo, tabulky ani obrázky, takže strukturu je nutné vyjádřit mezerami nebo jednoduchým značkováním.

Komprese: –
Průhlednost: –
Animace: –
Představeno: –

Převodník TXT

Naskenované PDF obsahuje obrázky stránek, takže jeho slova nelze kopírovat, vyhledávat ani indexovat; rozpoznáním do souboru TXT se sken změní na text, který funguje v editoru, překladači i vyhledávacím poli.

Otázky k převodu skenovaného PDF na text

Jak poznám, zda je moje PDF skenované, nebo už obsahuje text?

Zkuste označit větu nebo vyhledat slovo pomocí Ctrl+F nebo Command+F. Pokud kurzor označí celou stránku jako obrázek a vyhledávání nic nenajde, jde o sken tvořený pouze obrázky a je potřeba OCR. Pokud se slova označují normálně, text už v souboru je a PDF do TXT jej přesně vyextrahuje bez rozpoznávání.

Je lepším výsledkem prostý text, nebo prohledávatelné PDF?

Prostý text slouží k dalšímu použití slov: citování, překladu, vložení do databáze nebo e-mailu. Prohledávatelné PDF zachová vzhled skenu a text ukryje za ním, což se hodí pro archivy a smlouvy. Pokud chcete tuto druhou variantu, je na ni připraven nástroj OCR PDF.

Jaké rozlišení skenu dává z PDF nejlepší text?

300 DPI pro běžné tištěné stránky. Dokumentace Tesseractu uvádí, že přesnost klesá u textu menšího než zhruba 10 b. při 300 DPI, takže poznámky pod čarou a drobný text těží z 400 DPI. Přechod na 600 DPI OCR málokdy pomůže a PDF se zvětší několikanásobně.

Lze získat text ze skenovaného PDF se strojopisem nebo stránkou staré knihy?

Obvykle ano. Písmo psacího stroje i knih jsou běžná tištěná písmena a Narovnat stránky opraví sklon, který často vzniká při skenování vázané knihy. Velmi vybledlé stránky se čtou lépe se zapnutým Zvýšit kontrast.

Proč se text ze stránky se dvěma sloupci promíchá?

Sloupce zůstanou oddělené, když je Rozvržení textu nastaveno na Zachovat rozvržení, což je zde výchozí volba. Pokud se řádky obou sloupců přesto střídají, je mezera mezi nimi na skenu úzká; obvykle pomůže čistější sken s rovnými stránkami.