Scannet PDF til tekst

Q: Hvorfor bliver teksten fra en side med to spalter blandet sammen?

Spalter holdes adskilt, når **Tekstlayout** er sat til Bevar layout, som er standard her. Hvis linjer fra begge spalter stadig skifter, er mellemrummet mellem dem på scanningen smalt. En renere scanning med lige sider løser det som regel.

Hvis du ikke kan markere et eneste ord i en PDF, er den scannet: en stak fotos af sider uden tekst indeni. Upload den her, så læser OCR hver side tilbage til ren tekst, som du kan kopiere, søge i og redigere.

eller slip PDF, JPG, JPEG …-filer her ·

Maks. 95 MB pr. fil· Op til 20 filer· Slettes efter 30 minutter

Resultat

Dokumentets sprog

Resultat

Teksttype

Filer behandles på vores servere og slettes efter 30 minutter.

Sådan bruger du værktøjet

1
Upload den scannede PDF
Tilføj PDF'en, eller op til 20 af dem, hver på op til 95 MB. TIFF-scanninger med flere sider og billeder med én side fungerer også.
2
Vælg sprog og sider
Dokumentets sprog er engelsk, og Resultat er Almindelig tekst (.txt). Skift sprog til andre dokumenter, og brug Sider under Avancerede indstillinger for kun at læse et udsnit af en lang fil.
3
Genkend tekst
Tryk på Genkend tekst. Siderne rettes først op og drejes rigtigt, og derefter læses de i rækkefølge til én tekstfil.

Scannet PDF eller søgbar PDF: derfor mangler teksten

PDF med kun billederscannet PDF · ikke-søgbar PDF · flad PDF: En PDF, hvor siderne er gemt som billeder, typisk lavet af en scanner, en kopimaskines scan-til-e-mail-funktion eller en scanningsapp på telefonen. Den ligner et dokument, men indeholder ingen tegnkoder, så intet kan markeres, søges eller læses op.

En almindelig PDF eksporteret fra Word eller en browser indeholder tekstobjekter: hvert ord er gemt som tegn med en skrifttype og en position, så søgning og kopiering virker. En scanner springer alt det over og gemmer ét billede pr. side. For en computer er siden med din kontrakt den samme slags data som et foto af en kat.

OCR genopbygger det manglende lag. Sidebilledet renses, linjer og ord findes, og hver tegnform sammenlignes med alfabetet for det valgte Dokumentets sprog. Denne side leverer resultatet som almindelig tekst. En søgbar PDF er det andet almindelige resultat: scanningen forbliver synlig, og de genkendte ord lægges bagved som usynlig tekst, en gengivelsestilstand som PDF-standarden ISO 32000 altid har tilladt.

Den gratis Adobe Acrobat Reader kan vise en scanning, men udfører ikke OCR. Genkendelse er en del af de betalte Acrobat-versioner. En konverter er genvejen, når du kun skal bruge ordene én gang og ikke vil have endnu et abonnement. Hvis dine scanninger stadig bliver svage, gennemgår vores guide til sådan scanner du dokumenter til PDF indstillinger for scanner og telefon.

Scanningsopløsning til tekstudtræk fra en scannet PDF

Size	Pixels	cm	in	DPI	Fits
Letter	1700 × 2200	21,59 × 27,94	8,5 × 11	200	Kun stor, ren tekst; småt gættes
Letter	2550 × 3300	21,59 × 27,94	8,5 × 11	300	Standard til OCR af trykte sider
A4	2480 × 3508	21 × 29,7	8,27 × 11,69	300	Samme detaljegrad på A4-papir
A4	3307 × 4677	21 × 29,7	8,27 × 11,69	400	Fodnoter, småt trykt tekst, gamle skrivemaskinesider

Når scannet PDF til tekst giver et dårligt resultat

Ordene bliver volapyk på hele siden
Siden er sandsynligvis på et andet sprog eller skriftsystem. Sæt Dokumentets sprog til det rigtige, og tilføj Genkend også for et andet sprog på samme side.
Linjer er brudt midt i sætningen, og ord ender med bindestreg
Det følger de trykte linjeskift. Vælg Almindeligt tekstflow under Tekstlayout for ét sammenhængende tekstblok. Resterende bindestreger kræver en hurtig søg og erstat.
Nogle sider mangler i tekstfilen
Kontrollér, at Sider står på Alle sider under Avancerede indstillinger. Et interval som 1-3 begrænser genkendelsen bevidst.

PDF

Portable Document Format

PDF blev skabt af Adobe i 1993 og blev den åbne ISO 32000-standard i 2008. Det fastlåser tekst, skrifttyper, billeder og layout, så et dokument ser ens ud på alle skærme og printere. PDF-filer kan indeholde formularer, signaturer, links, vedhæftede filer og søgbar tekst, og varianten PDF/A bruges til langtidsarkivering. Det faste layout gør PDF-filer svære at redigere, og scannede PDF-filer indeholder kun billeder, medmindre der bruges OCR. Alle browsere og operativsystemer kan åbne dem.

Komprimering: –
Gennemsigtighed: Ja
Animation: Nej
Introduceret: 1993 · Adobe

PDF-konverter

TXT

Almindelig tekst

En TXT-fil indeholder kun almindelige tegn uden formatering, skrifttyper, billeder eller layout. Moderne tekstfiler er som regel kodet i UTF-8, som dækker alle sprog, mens ældre filer kan bruge andre kodninger og vise forvrængede tegn. Almindelig tekst fylder næsten ingenting, bliver aldrig forældet og åbner på alle enheder, fra telefoner til servere. Den kan ikke indeholde fed tekst, tabeller eller billeder, så struktur må udtrykkes med mellemrum eller enkel markup.

Komprimering: –
Gennemsigtighed: –
Animation: –
Introduceret: –

TXT-konverter

En scannet PDF gemmer billeder af sider, så ordene kan ikke kopieres, søges eller indekseres. Når de genkendes til en TXT-fil, bliver scanningen til tekst, der virker i en editor, en oversætter eller et søgefelt.

Spørgsmål om scannet PDF til tekst

Hvordan kan jeg se, om min PDF er scannet eller allerede indeholder tekst?

Prøv at markere en sætning eller søg efter et ord med Ctrl+F eller Command+F. Hvis markøren markerer hele siden som et billede, og søgningen ikke finder noget, er det en scanning med kun billeder, og den kræver OCR. Hvis ordene markeres normalt, er teksten allerede der, og PDF til TXT udtrækker den præcist uden et genkendelsestrin.

Er ren tekst eller en søgbar PDF det bedste resultat?

Almindelig tekst er til at genbruge ordene: citere, oversætte eller indsætte i en database eller en e-mail. En søgbar PDF bevarer scanningens udseende og skjuler teksten bag den, hvilket passer til arkiver og kontrakter. Hvis du ønsker det sidste, er OCR PDF sat op til det.

Hvilken scanningsopløsning giver den bedste tekst fra en PDF?

300 DPI til almindelige trykte sider. Tesseracts dokumentation beskriver, at nøjagtigheden falder for tekst under ca. 10 pt ved 300 DPI, så fodnoter og småt trykt tekst har gavn af 400 DPI. 600 DPI hjælper sjældent på OCR og gør PDF'en flere gange større.

Kan jeg udtrække tekst fra en scannet PDF med maskinskrift eller gamle bogsider?

Som regel ja. Skrivemaskine- og bogtryk er almindelige trykte bogstaver, og Ret sider op retter den skævhed, der ofte opstår, når man scanner en indbundet bog. Meget falmede sider læses bedre med Forbedr kontrast slået til.

Hvorfor bliver teksten fra en side med to spalter blandet sammen?

Spalter holdes adskilt, når Tekstlayout er sat til Bevar layout, som er standard her. Hvis linjer fra begge spalter stadig skifter, er mellemrummet mellem dem på scanningen smalt. En renere scanning med lige sider løser det som regel.