Eskaneatutako PDFa testu bihurtzeko tresna

Q: Zergatik ateratzen da nahastuta bi zutabeko orri baten testua?

Zutabeak bereizita mantentzen dira **Testuaren diseinua** Diseinua mantendu aukeran dagoenean, hemen lehenetsia dena. Bi zutabeetako lerroak txandakatzen jarraitzen badute, eskaneatzean zutabeen arteko tartea estua da; eskaneatze garbiago batek eta orri zuzenek normalean konpontzen dute.

PDF batean hitz bakar bat ere ezin baduzu nabarmendu, eskaneatua da: orrien argazki pila bat, barruan testurik gabe. Igo hemen, eta OCRk orri guztiak irakurriko ditu kopiatu, bilatu eta editatu dezakezun testu lau bihurtzeko.

edo jaregin PDF, JPG, JPEG … fitxategiak hemen ·

Gehienez 95 MB fitxategiko· 20 fitxategi arte· 30 minutu geroago ezabatzen da

Irteera

Dokumentuaren hizkuntza

Irteera

Testu mota

Fitxategiak gure zerbitzarietan prozesatzen dira eta 30 minutu geroago ezabatzen dira.

Tresna hau nola erabili

1
Igo eskaneatutako PDFa
Gehitu PDFa, edo gehienez 20 PDF, bakoitza 95 MB arteko tamainakoa. Orri anitzeko TIFF eskaneatuek eta orri bakarreko irudiek ere balio dute.
2
Ezarri hizkuntza eta orriak
Dokumentuaren hizkuntza ingelesa da eta Irteera Testu soila (.txt) da. Aldatu hizkuntza beste dokumentu batzuetarako, eta Ezarpen aurreratuak atalean erabili Orriak fitxategi luze baten tarte bat bakarrik irakurtzeko.
3
Ezagutu testua
Sakatu Ezagutu testua. Lehenik orrialdeak zuzendu eta zutik jartzen dira, eta gero ordenan irakurtzen dira testu-fitxategi bakarrean.

Eskaneatutako PDFa vs PDF bilagarria: zergatik falta da testua

Irudi hutsezko PDFaeskaneatutako PDFa · bilaketarik onartzen ez duen PDFa · PDF laua: Orriak irudi gisa gordeta dituen PDFa, normalean eskaner batek, fotokopiagailu baten eskaneatu-eta-bidali funtzioak edo telefonoko eskaneatze-aplikazio batek sortua. Dokumentu bat dirudi, baina barruan ez dago karaktere-koderik; beraz, ezin da ezer hautatu, bilatu edo ozen irakurri.

Word-etik edo nabigatzaile batetik esportatutako PDF arrunt batek testu-objektuak ditu: hitz bakoitza karaktere gisa gordetzen da, letra-tipo eta posizio batekin; horregatik bilaketak eta kopiatzeak funtzionatzen dute. Eskanerrak hori guztia saltatzen du eta orri bakoitzeko irudi bat gordetzen du. Ordenagailuarentzat, zure kontratua duen orria katu baten argazkiaren datu-mota bera da.

OCRk falta den geruza berreraikitzen du. Orriaren irudia garbitzen da, lerroak eta hitzak aurkitzen dira, eta karaktere-forma bakoitza hautatutako Dokumentuaren hizkuntza ren alfabetoarekin alderatzen da. Orri honek emaitza testu soil gisa itzultzen du. Bilaketa egin daitekeen PDFa da beste emaitza ohikoa: eskaneatzea ikusgai geratzen da eta ezagututako hitzak atzean gehitzen dira testu ikusezin gisa, PDF estandarrak, ISO 32000k, beti onartu duen errendatze-modu bat.

Adobe Acrobat Reader doakoak eskaneatze bat erakutsi dezake, baina ez du OCRrik egiten; ezagutza Acrobaten ordainpeko bertsioetan dago. Bihurgailu bat bidea laburra da hitzak behin behar badituzu eta beste harpidetza bat nahi ez baduzu. Zure eskaneatzeek emaitza makala ematen badute, dokumentuak PDF gisa eskaneatzeko moduari buruzko gidak eskanerraren eta telefonoaren ezarpenak azaltzen ditu.

Eskaneatze-bereizmena eskaneatutako PDF batetik testua ateratzeko

Size	Pixels	cm	in	DPI	Fits
Letter	1700 × 2200	21,59 × 27,94	8,5 × 11	200	Inprimaketa handi eta garbia soilik; testu txikia asmatu egiten da
Letter	2550 × 3300	21,59 × 27,94	8,5 × 11	300	Inprimatutako orrien OCRrako estandarra
A4	2480 × 3508	21 × 29,7	8,27 × 11,69	300	Xehetasun bera A4 paperean
A4	3307 × 4677	21 × 29,7	8,27 × 11,69	400	Oin-oharrak, letra txikia, idazmakinako orri zaharrak

Eskaneatutako PDFa testu bihurtzean emaitza gaizki ateratzen denean

Hitzak zentzugabeak ateratzen dira orri osoan
Ziurrenik orria beste hizkuntza edo idazkera batean dago. Ezarri Dokumentuaren hizkuntza horren arabera, eta gehitu Ezagutu hau ere orri berean bigarren hizkuntza bat badago.
Lerroak esaldiaren erdian mozten dira eta hitzak gidoiarekin amaitzen dira
Inprimatutako lerro-jauzien ondorioa da. Aukeratu Testu-fluxu soila Testuaren diseinua atalean testu-bloke jarraitu bat lortzeko; geratzen diren gidoiak bilatu eta ordezkatuz kentzen dira.
Orri batzuk falta dira testu-fitxategian
Egiaztatu Ezarpen aurreratuak atalean Orriak Orri guztiak aukeran dagoela. 1-3 bezalako tarte batek ezagutza nahita mugatzen du.

PDF

Portable Document Format

PDF Adobek sortu zuen 1993an eta 2008an ISO 32000 estandar ireki bihurtu zen. Testua, letra-tipoak, irudiak eta diseinua finkatzen ditu, dokumentuak pantaila eta inprimagailu guztietan berdin ikus daitezen. PDF-ek inprimakiak, sinadurak, estekak, eranskinak eta bilatu daitekeen testua izan ditzakete, eta PDF/A aldaera epe luzeko artxibatzeko erabiltzen da. Diseinu finkoa dela eta, PDF-ak zailak dira editatzeko, eta eskaneatutako PDF-ek irudiak soilik dituzte OCR aplikatu ezean. Nabigatzaile eta sistema eragile guztiek ireki ditzakete.

Konpresioa: –
Gardentasuna: Bai
Animazioa: Ez
Sorrera urtea: 1993 · Adobe

PDF bihurtzailea

TXT

Testu soila

TXT fitxategiak karaktere soilak baino ez ditu, formaturik, letra-tiporik, irudirik edo diseinurik gabe. Egungo testu-fitxategiak UTF-8n kodetuta egon ohi dira, hizkuntza guztiak barne hartzen dituena, nahiz eta zaharrek beste kodeketa batzuk erabil ditzaketen eta karaktere okerrak erakutsi. Testu soila txikia da, ez da zaharkitzen eta gailu guztietan irekitzen da, telefonoetatik zerbitzarietaraino. Ezin ditu letra lodiak, taulak edo irudiak gorde, beraz, egitura tarteekin edo markaketa soilarekin adierazi behar da.

Konpresioa: –
Gardentasuna: –
Animazioa: –
Sorrera urtea: –

TXT bihurtzailea

Eskaneatutako PDF batek orrien irudiak gordetzen ditu; beraz, haien hitzak ezin dira kopiatu, bilatu edo indexatu. TXT fitxategi batean ezagutzeak eskaneatzea editore batean, itzultzaile batean edo bilaketa-koadro batean erabil daitekeen testu bihurtzen du.

Eskaneatutako PDFa testu bihurtzeari buruzko galderak

Nola jakin dezaket nire PDFa eskaneatua den edo dagoeneko testua duen?

Saiatu esaldi bat hautatzen edo hitz bat bilatzen Ctrl+F edo Command+F erabiliz. Kurtsoreak orria osorik hautatzen badu irudi bat balitz bezala eta bilaketak ezer aurkitzen ez badu, irudi hutsezko eskaneatzea da eta OCR behar du. Hitzak ohiko moduan nabarmentzen badira, testua badago jada, eta PDF TXT bihurtu tresnak zehatz-mehatz ateratzen du, ezagutze-urratsik gabe.

Zer da hobea emaitza gisa: testu laua ala PDF bilagarria?

Testu soila hitzak berrerabiltzeko da: aipatzeko, itzultzeko, datu-base batean edo mezu elektroniko batean itsasteko. Bilaketa egin daitekeen PDFak eskaneatzearen itxura mantentzen du eta testua atzean ezkutatzen du; artxiboetarako eta kontratuetarako egokia da. Bigarrena nahi baduzu, OCR PDF tresna horretarako prestatuta dago.

Zein eskaneatze-bereizmenek ematen du testurik onena PDF batetik?

300 DPI inprimatutako ohiko orrietarako. Tesseracten dokumentazioaren arabera, zehaztasuna jaitsi egiten da 300 DPItan 10 pt ingurutik beherako testuarentzat; beraz, oin-oharrek eta letra txikiek 400 DPI behar dute. 600 DPIra igotzeak gutxitan laguntzen dio OCRri, eta PDFa hainbat aldiz handiagoa egiten du.

Atera dezaket testua idazmakinaz idatzitako orri baten edo liburu zahar baten eskaneatutako PDFtik?

Normalean bai. Idazmakinaren eta liburuen letrak inprimatutako letra arruntak dira, eta Zuzendu orrialdeak aukerak liburu koadernatu bat eskaneatzean sortzen den okerdura zuzentzen du. Oso zaharkituta dauden orriak hobeto irakurtzen dira Hobetu kontrastea aktibatuta.

Zergatik ateratzen da nahastuta bi zutabeko orri baten testua?

Zutabeak bereizita mantentzen dira Testuaren diseinua Diseinua mantendu aukeran dagoenean, hemen lehenetsia dena. Bi zutabeetako lerroak txandakatzen jarraitzen badute, eskaneatzean zutabeen arteko tartea estua da; eskaneatze garbiago batek eta orri zuzenek normalean konpontzen dute.