Μετατροπή σαρωμένου PDF σε κείμενο

Q: Γιατί το κείμενο από σελίδα με δύο στήλες βγαίνει ανακατεμένο;

Οι στήλες διατηρούνται χωριστά όταν η **Διάταξη κειμένου** είναι στη Διατήρηση διάταξης, που είναι η προεπιλογή εδώ. Αν οι γραμμές των δύο στηλών εξακολουθούν να εναλλάσσονται, το κενό μεταξύ τους στη σάρωση είναι στενό· μια καθαρότερη σάρωση με ίσιες σελίδες συνήθως το διορθώνει.

Αν δεν μπορείτε να επισημάνετε ούτε μία λέξη σε ένα PDF, πρόκειται για σάρωση: μια σειρά από φωτογραφίες σελίδων χωρίς κείμενο μέσα. Ανεβάστε το εδώ και το OCR μετατρέπει κάθε σελίδα σε απλό κείμενο που μπορείτε να αντιγράψετε, να αναζητήσετε και να επεξεργαστείτε.

ή σύρετε Αρχεία PDF, JPG, JPEG … εδώ ·

Έως 95 MB ανά αρχείο· Έως 20 αρχεία· Διαγραφή μετά από 30 λεπτά

Αποτέλεσμα

Γλώσσα εγγράφου

Αποτέλεσμα

Τύπος κειμένου

Τα αρχεία επεξεργάζονται στους διακομιστές μας και διαγράφονται μετά από 30 λεπτά.

Δεύτερη γλώσσα

Αναγνώριση επίσης

Για σελίδες που αναμειγνύουν δύο γλώσσες, π.χ. Χίντι με αγγλικές λέξεις. Αλλιώς αφήστε «Καμία»· μια επιπλέον γλώσσα μειώνει ελαφρά την ακρίβεια.

Διάταξη

Διάταξη κειμένου

Η διατήρηση κρατά στήλες, παραγράφους και πίνακες στη θέση τους. Το απλό δίνει ένα συνεχές μπλοκ κειμένου, ευκολότερο στην επικόλληση σε φόρμες.

Καθαρισμός εικόνας

Ίσιωμα σελίδων

Διορθώνει σαρώσεις και φωτογραφίες που τραβήχτηκαν με μικρή κλίση· οι λοξές γραμμές είναι συχνή αιτία λανθασμένης ανάγνωσης λέξεων.

Αυτόματη περιστροφή

Εντοπίζει σελίδες που είναι στο πλάι ή ανάποδα και τις γυρίζει όρθιες πριν την ανάγνωση.

Βελτίωση αντίθεσης

Φωτίζει ξεθωριασμένες φωτογραφίες ή φωτογραφίες με χαμηλό φωτισμό πριν την αναγνώριση. Ενεργοποιήστε το για σκοτεινές φωτογραφίες κινητού· αφήστε το ανενεργό για καθαρές σαρώσεις.

Σελίδες

Για είσοδο PDF και TIFF πολλών σελίδων: ανάγνωση όλων των σελίδων, μόνο της πρώτης ή ενός εύρους.

Πώς να χρησιμοποιήσετε αυτό το εργαλείο

1
Ανεβάστε το σαρωμένο PDF
Προσθέστε το PDF ή έως 20 αρχεία, με μέγεθος έως 95 MB το καθένα. Λειτουργούν επίσης σαρωμένα TIFF πολλών σελίδων και εικόνες μίας σελίδας.
2
Ορίστε τη γλώσσα και τις σελίδες
Η Γλώσσα εγγράφου είναι τα αγγλικά και η Έξοδος είναι Απλό κείμενο (.txt). Αλλάξτε τη γλώσσα για άλλα έγγραφα και, στις Σύνθετες ρυθμίσεις, χρησιμοποιήστε τις Σελίδες για να διαβαστεί μόνο ένα εύρος από ένα μεγάλο αρχείο.
3
Αναγνώριση κειμένου
Πατήστε Αναγνώριση κειμένου. Οι σελίδες πρώτα ισιώνονται και γυρίζουν όρθιες και μετά διαβάζονται με τη σειρά σε ένα αρχείο κειμένου.

Πώς να μετατρέψετε σαρωμένο PDF σε κείμενο

Ανεβάστε το PDF, ελέγξτε τη Γλώσσα εγγράφου και πατήστε Αναγνώριση κειμένου. Κάθε εικόνα σελίδας διαβάζεται με OCR και οι λέξεις επιστρέφουν ως αρχείο .txt με τη σειρά των σελίδων.

1Καθαρές σαρώσεις 300 DPI τυπωμένων σελίδων συνήθως χρειάζονται μόνο ελαφριά διόρθωση.
2Χρησιμοποιήστε τις Σελίδες για να διαβάσετε μέρος ενός μεγάλου εγγράφου.
3Επιλέξτε Word ή PDF με δυνατότητα αναζήτησης στην Έξοδος αν χρειάζεστε μορφοποίηση ή την αρχική εμφάνιση.

Σαρωμένο PDF ή PDF με δυνατότητα αναζήτησης: γιατί λείπει το κείμενο

PDF μόνο με εικόνασαρωμένο PDF · PDF χωρίς δυνατότητα αναζήτησης · επίπεδο PDF: Ένα PDF του οποίου οι σελίδες αποθηκεύονται ως εικόνες, συνήθως από σαρωτή, από τη λειτουργία σάρωσης σε email ενός φωτοτυπικού ή από εφαρμογή σάρωσης στο κινητό. Μοιάζει με έγγραφο, αλλά δεν έχει μέσα κωδικούς χαρακτήρων, οπότε τίποτα δεν μπορεί να επιλεγεί, να αναζητηθεί ή να αναγνωστεί φωναχτά.

Ένα κανονικό PDF που εξάγεται από το Word ή από πρόγραμμα περιήγησης περιέχει αντικείμενα κειμένου: κάθε λέξη αποθηκεύεται ως χαρακτήρες με γραμματοσειρά και θέση, γι' αυτό λειτουργούν η αναζήτηση και η αντιγραφή. Ο σαρωτής τα παραλείπει όλα αυτά και αποθηκεύει μία εικόνα ανά σελίδα. Για τον υπολογιστή, η σελίδα με το συμβόλαιό σας είναι δεδομένα του ίδιου είδους με τη φωτογραφία μιας γάτας.

Το OCR ξαναχτίζει το επίπεδο που λείπει. Η εικόνα της σελίδας καθαρίζεται, εντοπίζονται γραμμές και λέξεις και κάθε σχήμα χαρακτήρα αντιστοιχίζεται με το αλφάβητο της επιλεγμένης Γλώσσας εγγράφου. Αυτή η σελίδα επιστρέφει το αποτέλεσμα ως απλό κείμενο. Το PDF με δυνατότητα αναζήτησης είναι το άλλο συνηθισμένο αποτέλεσμα: η σάρωση παραμένει ορατή και οι αναγνωρισμένες λέξεις προστίθενται πίσω της ως αόρατο κείμενο, τρόπος απόδοσης που το πρότυπο PDF, ISO 32000, επιτρέπει από την αρχή.

Το δωρεάν Adobe Acrobat Reader εμφανίζει μια σάρωση αλλά δεν εκτελεί OCR· η αναγνώριση ανήκει στις επί πληρωμή εκδόσεις του Acrobat. Ένας μετατροπέας είναι η συντόμευση όταν χρειάζεστε τις λέξεις μία φορά και δεν θέλετε άλλη συνδρομή. Αν οι σαρώσεις σας βγαίνουν ακόμα αδύναμες, ο οδηγός μας για το πώς να σαρώσετε έγγραφα σε PDF καλύπτει τις ρυθμίσεις σαρωτή και κινητού.

Ανάλυση σάρωσης για εξαγωγή κειμένου από σαρωμένο PDF

Size	Pixels	cm	in	DPI	Fits
Letter	1700 × 2200	21,59 × 27,94	8,5 × 11	200	Μόνο για μεγάλη καθαρή γραμματοσειρά· το μικρό κείμενο μαντεύεται
Letter	2550 × 3300	21,59 × 27,94	8,5 × 11	300	Στάνταρ για OCR τυπωμένων σελίδων
A4	2480 × 3508	21 × 29,7	8,27 × 11,69	300	Ίδια λεπτομέρεια σε χαρτί A4
A4	3307 × 4677	21 × 29,7	8,27 × 11,69	400	Υποσημειώσεις, μικρά γράμματα, παλιές σελίδες γραφομηχανής

Όταν η μετατροπή σαρωμένου PDF σε κείμενο δεν βγαίνει σωστά

Οι λέξεις βγαίνουν ακατανόητες σε ολόκληρη τη σελίδα
Η σελίδα μάλλον είναι σε άλλη γλώσσα ή γραφή. Ορίστε τη Γλώσσα εγγράφου ώστε να ταιριάζει και προσθέστε Αναγνώριση επίσης για δεύτερη γλώσσα στην ίδια σελίδα.
Οι γραμμές σπάνε στη μέση της πρότασης και οι λέξεις τελειώνουν με παύλες
Αυτό ακολουθεί τις τυπωμένες αλλαγές γραμμής. Επιλέξτε Συνεχές απλό κείμενο στη Διάταξη κειμένου για ένα συνεχές μπλοκ κειμένου· οι παύλες που απομένουν θέλουν μια γρήγορη εύρεση και αντικατάσταση.
Λείπουν κάποιες σελίδες από το αρχείο κειμένου
Ελέγξτε ότι οι Σελίδες είναι στη ρύθμιση Όλες οι σελίδες στις Σύνθετες ρυθμίσεις. Ένα εύρος όπως 1-3 περιορίζει την αναγνώριση σκόπιμα.

PDF

Portable Document Format

Το PDF δημιουργήθηκε από την Adobe το 1993 και έγινε το ανοιχτό πρότυπο ISO 32000 το 2008. Καθηλώνει κείμενο, γραμματοσειρές, εικόνες και διάταξη, ώστε ένα έγγραφο να φαίνεται ίδιο σε κάθε οθόνη και εκτυπωτή. Τα PDF μπορούν να περιέχουν φόρμες, υπογραφές, συνδέσμους, συνημμένα και κείμενο με δυνατότητα αναζήτησης, ενώ η παραλλαγή PDF/A χρησιμοποιείται για μακροχρόνια αρχειοθέτηση. Η σταθερή διάταξη δυσκολεύει την επεξεργασία, και τα σαρωμένα PDF περιέχουν μόνο εικόνες αν δεν εφαρμοστεί OCR. Ανοίγουν σε κάθε πρόγραμμα περιήγησης και λειτουργικό σύστημα.

Συμπίεση: –
Διαφάνεια: Ναι
Κινούμενη εικόνα: Όχι
Έτος εισαγωγής: 1993 · Adobe

Μετατροπέας PDF

TXT

Απλό κείμενο

Ένα αρχείο TXT περιέχει μόνο απλούς χαρακτήρες, χωρίς μορφοποίηση, γραμματοσειρές, εικόνες ή διάταξη. Τα σύγχρονα αρχεία κειμένου κωδικοποιούνται συνήθως σε UTF-8, που καλύπτει κάθε γλώσσα, ενώ τα παλαιότερα μπορεί να χρησιμοποιούν άλλες κωδικοποιήσεις και να εμφανίζουν παραμορφωμένους χαρακτήρες. Το απλό κείμενο είναι πολύ μικρό, δεν ξεπερνιέται ποτέ και ανοίγει σε κάθε συσκευή, από κινητά έως διακομιστές. Δεν μπορεί να περιέχει έντονο κείμενο, πίνακες ή εικόνες, οπότε η δομή πρέπει να εκφράζεται με κενά ή απλή σήμανση.

Συμπίεση: –
Διαφάνεια: –
Κινούμενη εικόνα: –
Έτος εισαγωγής: –

Μετατροπέας TXT

Ένα σαρωμένο PDF αποθηκεύει εικόνες σελίδων, γι' αυτό οι λέξεις του δεν μπορούν να αντιγραφούν, να αναζητηθούν ή να ευρετηριαστούν· η αναγνώρισή τους σε αρχείο TXT μετατρέπει τη σάρωση σε κείμενο που λειτουργεί σε επεξεργαστή, μεταφραστή ή πλαίσιο αναζήτησης.

Ερωτήσεις για τη μετατροπή σαρωμένου PDF σε κείμενο

Πώς καταλαβαίνω αν το PDF μου είναι σαρωμένο ή έχει ήδη κείμενο;

Δοκιμάστε να επιλέξετε μια πρόταση ή να αναζητήσετε μια λέξη με Ctrl+F ή Command+F. Αν ο δρομέας επιλέγει ολόκληρη τη σελίδα σαν εικόνα και η αναζήτηση δεν βρίσκει τίποτα, πρόκειται για σάρωση μόνο με εικόνα και χρειάζεται OCR. Αν οι λέξεις επισημαίνονται κανονικά, το κείμενο υπάρχει ήδη και το PDF σε TXT το εξάγει ακριβώς, χωρίς βήμα αναγνώρισης.

Τι είναι καλύτερο: απλό κείμενο ή PDF με δυνατότητα αναζήτησης;

Το απλό κείμενο προορίζεται για την επαναχρησιμοποίηση των λέξεων: παράθεση, μετάφραση, επικόλληση σε βάση δεδομένων ή σε email. Ένα PDF με δυνατότητα αναζήτησης διατηρεί την εμφάνιση της σάρωσης και κρύβει το κείμενο πίσω της, κάτι που ταιριάζει σε αρχεία και συμβόλαια. Αν θέλετε το δεύτερο, το OCR PDF είναι ρυθμισμένο γι' αυτό.

Ποια ανάλυση σάρωσης δίνει το καλύτερο κείμενο από ένα PDF;

300 DPI για κανονικές τυπωμένες σελίδες. Η τεκμηρίωση του Tesseract περιγράφει πτώση της ακρίβειας για κείμενο κάτω από περίπου 10 pt στα 300 DPI, οπότε οι υποσημειώσεις και τα μικρά γράμματα ωφελούνται από 400 DPI. Τα 600 DPI σπάνια βοηθούν το OCR και κάνουν το PDF αρκετές φορές μεγαλύτερο.

Μπορώ να εξαγάγω κείμενο από σαρωμένο PDF με δακτυλογραφημένη ή παλιά σελίδα βιβλίου;

Συνήθως ναι. Τα γράμματα γραφομηχανής και βιβλίου είναι κανονικοί τυπωμένοι χαρακτήρες και το Ίσιωμα σελίδων διορθώνει την κλίση που προκύπτει συχνά από τη σάρωση δεμένου βιβλίου. Οι πολύ ξεθωριασμένες σελίδες διαβάζονται καλύτερα με ενεργή τη Βελτίωση αντίθεσης.

Γιατί το κείμενο από σελίδα με δύο στήλες βγαίνει ανακατεμένο;

Οι στήλες διατηρούνται χωριστά όταν η Διάταξη κειμένου είναι στη Διατήρηση διάταξης, που είναι η προεπιλογή εδώ. Αν οι γραμμές των δύο στηλών εξακολουθούν να εναλλάσσονται, το κενό μεταξύ τους στη σάρωση είναι στενό· μια καθαρότερη σάρωση με ίσιες σελίδες συνήθως το διορθώνει.