Penukar PDF Imbasan ke Teks

Q: Mengapa teks daripada halaman dua lajur keluar bercampur?

Lajur dikekalkan berasingan apabila **Susun atur teks** ditetapkan kepada Preserve layout, iaitu lalai di sini. Jika baris daripada kedua-dua lajur masih bersilih ganti, jarak antara lajur pada imbasan sempit; imbasan yang lebih bersih dengan halaman lurus biasanya menyelesaikannya.

Jika anda tidak dapat menyerlahkan walau satu perkataan dalam PDF, itu ialah imbasan: timbunan foto halaman tanpa teks di dalamnya. Muat naik di sini dan OCR akan membaca setiap halaman semula menjadi teks biasa yang boleh anda salin, cari dan sunting.

atau seret Fail PDF, JPG, JPEG … ke sini ·

Maks 95 MB setiap fail· Sehingga 20 fail· Dipadam selepas 30 minit

Output

Bahasa dokumen

Output

Jenis teks

Fail diproses pada pelayan kami dan dipadam selepas 30 minit.

Cara menggunakan alat ini

1
Muat naik PDF imbasan
Tambah PDF, atau sehingga 20 fail, setiap satu sehingga 95 MB. Imbasan TIFF berbilang halaman dan imej satu halaman juga boleh digunakan.
2
Tetapkan bahasa dan halaman
Bahasa dokumen ialah English dan Output ialah Teks biasa (.txt). Tukar bahasa untuk dokumen lain, dan di bawah Tetapan lanjutan gunakan Halaman untuk membaca hanya julat tertentu bagi fail yang panjang.
3
Kenal pasti teks
Tekan Kenali teks. Halaman diluruskan dan ditegakkan dahulu, kemudian dibaca mengikut urutan ke dalam satu fail teks.

PDF imbasan lwn PDF boleh dicari: mengapa teks tiada

PDF gambar sahajaPDF terimbas · PDF tidak boleh dicari · PDF rata: PDF yang halamannya disimpan sebagai gambar, biasanya dihasilkan oleh pengimbas, fungsi imbas-ke-e-mel pada mesin fotostat atau aplikasi pengimbas telefon. Ia kelihatan seperti dokumen, tetapi tiada kod aksara di dalamnya, jadi tiada apa yang boleh dipilih, dicari atau dibacakan.

PDF biasa yang dieksport daripada Word atau pelayar mengandungi objek teks: setiap perkataan disimpan sebagai aksara dengan fon dan kedudukan, jadi carian dan salin berfungsi. Pengimbas melangkau semua itu dan menyimpan satu imej bagi setiap halaman. Bagi komputer, halaman yang memuatkan kontrak anda ialah data jenis sama seperti foto kucing.

OCR membina semula lapisan yang hilang. Imej halaman dibersihkan, baris dan perkataan dikesan, dan setiap bentuk aksara dipadankan dengan abjad Bahasa dokumen yang dipilih. Halaman ini memulangkan hasil itu sebagai teks biasa. PDF boleh dicari ialah hasil lazim yang lain: imbasan kekal kelihatan dan perkataan yang dikenali ditambah di belakangnya sebagai teks tidak kelihatan, mod pemaparan yang sentiasa dibenarkan oleh piawaian PDF, ISO 32000.

Adobe Acrobat Reader percuma boleh memaparkan imbasan tetapi tidak menjalankan OCR; pengecaman ialah sebahagian daripada versi Acrobat berbayar. Penukar ialah jalan pintas apabila anda memerlukan perkataan itu sekali sahaja dan tidak mahu langganan lain. Jika imbasan anda masih lemah, panduan kami tentang cara mengimbas dokumen ke PDF merangkumi tetapan pengimbas dan telefon.

Resolusi imbasan untuk mengekstrak teks daripada PDF imbasan

Size	Pixels	cm	in	DPI	Fits
Letter	1700 × 2200	21.59 × 27.94	8.5 × 11	200	Hanya untuk cetakan besar yang bersih; teks kecil akan diteka
Letter	2550 × 3300	21.59 × 27.94	8.5 × 11	300	Piawai untuk OCR halaman bercetak
A4	2480 × 3508	21 × 29.7	8.27 × 11.69	300	Perincian sama pada kertas A4
A4	3307 × 4677	21 × 29.7	8.27 × 11.69	400	Nota kaki, cetakan halus, halaman mesin taip lama

Apabila hasil PDF imbasan ke teks tidak menjadi

Perkataan menjadi mengarut merentasi seluruh halaman
Halaman itu mungkin dalam bahasa atau skrip lain. Tetapkan Bahasa dokumen supaya sepadan, dan tambah Kenal pasti juga untuk bahasa kedua pada halaman yang sama.
Baris terputus di tengah ayat dan perkataan berakhir dengan tanda sengkang
Itu mengikut pemisah baris bercetak. Pilih Aliran teks biasa di bawah Susun atur teks untuk satu blok teks berterusan; sengkang yang tertinggal memerlukan cari dan ganti ringkas.
Sesetengah halaman tiada dalam fail teks
Semak bahawa Halaman berada pada All pages di bawah Tetapan lanjutan. Julat seperti 1-3 sengaja mengehadkan pengecaman.

PDF

Portable Document Format

PDF dicipta oleh Adobe pada 1993 dan menjadi piawaian terbuka ISO 32000 pada 2008. Ia menetapkan teks, fon, imej dan reka letak supaya dokumen kelihatan sama pada setiap skrin dan pencetak. PDF boleh mengandungi borang, tandatangan, pautan, lampiran dan teks boleh dicari, dan varian PDF/A digunakan untuk pengarkiban jangka panjang. Reka letak tetap menyukarkan PDF disunting, dan PDF imbasan hanya mengandungi imej melainkan OCR digunakan. Setiap pelayar dan sistem pengendalian boleh membukanya.

Pemampatan: –
Ketelusan: Ya
Animasi: Tidak
Diperkenalkan: 1993 · Adobe

Penukar PDF

TXT

Teks biasa

Fail TXT hanya mengandungi aksara biasa tanpa pemformatan, fon, imej atau reka letak. Fail teks moden biasanya dikodkan dalam UTF-8 yang meliputi semua bahasa, walaupun fail lama mungkin menggunakan pengekodan lain dan memaparkan aksara bercelaru. Teks biasa sangat kecil, tidak pernah usang dan terbuka pada setiap peranti, daripada telefon hingga pelayan. Ia tidak boleh mengandungi teks tebal, jadual atau gambar, jadi struktur mesti dinyatakan dengan jarak atau penanda ringkas.

Pemampatan: –
Ketelusan: –
Animasi: –
Diperkenalkan: –

Penukar TXT

PDF terimbas menyimpan gambar halaman, jadi perkataannya tidak boleh disalin, dicari atau diindeks; mengecamnya ke dalam fail TXT menjadikan imbasan sebagai teks yang berfungsi dalam penyunting, penterjemah atau kotak carian.

Soalan tentang PDF imbasan ke teks

Bagaimana saya tahu sama ada PDF saya imbasan atau sudah mempunyai teks?

Cuba pilih satu ayat atau cari satu perkataan dengan Ctrl+F atau Command+F. Jika kursor memilih keseluruhan halaman seperti gambar dan carian tidak menemui apa-apa, ia imbasan gambar sahaja dan memerlukan OCR. Jika perkataan terserlah seperti biasa, teks sudah ada dan PDF ke TXT mengekstraknya dengan tepat, tanpa langkah pengecaman.

Teks biasa atau PDF boleh dicari, mana hasil yang lebih baik?

Teks biasa sesuai untuk menggunakan semula perkataan: memetik, menterjemah, menampal ke pangkalan data atau e-mel. PDF boleh dicari mengekalkan rupa imbasan dan menyembunyikan teks di belakangnya, sesuai untuk arkib dan kontrak. Jika anda mahukan yang kedua, OCR PDF disediakan untuknya.

Resolusi imbasan apakah yang memberi teks terbaik daripada PDF?

300 DPI untuk halaman bercetak biasa. Dokumentasi Tesseract menyatakan ketepatan menurun untuk teks di bawah kira-kira 10 pt pada 300 DPI, jadi nota kaki dan cetakan kecil mendapat manfaat daripada 400 DPI. 600 DPI jarang membantu OCR dan menjadikan PDF beberapa kali ganda lebih besar.

Bolehkah saya ekstrak teks daripada PDF imbasan halaman taipan mesin taip atau buku lama?

Biasanya boleh. Huruf mesin taip dan buku ialah huruf cetak biasa, dan Luruskan halaman membetulkan kemiringan yang sering terhasil daripada mengimbas buku berjilid. Halaman yang sangat pudar lebih baik dibaca dengan Tingkatkan kontras dihidupkan.

Mengapa teks daripada halaman dua lajur keluar bercampur?

Lajur dikekalkan berasingan apabila Susun atur teks ditetapkan kepada Preserve layout, iaitu lalai di sini. Jika baris daripada kedua-dua lajur masih bersilih ganti, jarak antara lajur pada imbasan sempit; imbasan yang lebih bersih dengan halaman lurus biasanya menyelesaikannya.