Convertor PDF scanat în text

Q: De ce textul dintr-o pagină pe două coloane iese amestecat?

Coloanele sunt păstrate separate când **Aranjarea textului** este pe Păstrează aspectul, valoarea implicită aici. Dacă rândurile din ambele coloane tot alternează, spațiul dintre ele pe scanare este îngust; o scanare mai curată, cu pagini drepte, rezolvă de obicei problema.

Dacă nu puteți selecta niciun cuvânt dintr-un PDF, acesta este o scanare: un teanc de fotografii ale paginilor, fără text în interior. Încărcați-l aici, iar OCR citește fiecare pagină și o transformă în text simplu pe care îl puteți copia, căuta și edita.

sau trage Fișiere PDF, JPG, JPEG … aici ·

Maximum 95 MB per fișier· Până la 20 fișiere· Șterse după 30 minute

Rezultat

Limba documentului

Rezultat

Tipul textului

Fișierele sunt procesate pe serverele noastre și șterse după 30 minute.

Cum se folosește acest instrument

1
Încărcați PDF-ul scanat
Adăugați PDF-ul sau cel mult 20 de PDF-uri, fiecare de maximum 95 MB. Scanările TIFF cu mai multe pagini și imaginile cu o singură pagină funcționează la fel.
2
Alegeți limba și paginile
Limba documentului este engleza, iar Rezultat este Text simplu (.txt). Schimbați limba pentru alte documente, iar la Setări avansate folosiți Pagini pentru a citi doar un interval dintr-un fișier lung.
3
Recunoașteți textul
Apăsați Recunoaște textul. Paginile sunt mai întâi îndreptate și puse în poziție verticală, apoi citite în ordine într-un singur fișier text.

PDF scanat vs PDF căutabil: de ce lipsește textul

PDF doar din imaginiPDF scanat · PDF necăutabil · PDF plat: Un PDF ale cărui pagini sunt stocate ca imagini, produs de obicei de un scaner, de funcția de scanare în e-mail a unui copiator sau de o aplicație de scanare de pe telefon. Arată ca un document, dar nu conține coduri de caractere, deci nimic nu poate fi selectat, căutat sau citit cu voce tare.

Un PDF obișnuit exportat din Word sau dintr-un browser conține obiecte text: fiecare cuvânt este stocat caPCaractere cu un font și o poziție, deci căutarea și copierea funcționează. Un scaner sare peste toate acestea și salvează o imagine pe pagină. Pentru calculator, pagina cu contractul dvs. este același tip de date ca fotografia unei pisici.

OCR reconstruiește stratul lipsă. Imaginea paginii este curățată, se găsesc rândurile și cuvintele, iar forma fiecărui caracter este comparată cu alfabetul din Limba documentului selectată. Această pagină returnează rezultatul ca text simplu. Un PDF cu text căutabil este celălalt rezultat frecvent: scanarea rămâne vizibilă, iar cuvintele recunoscute sunt adăugate în spatele ei ca text invizibil, un mod de randare pe care standardul PDF, ISO 32000, l-a permis dintotdeauna.

Adobe Acrobat Reader gratuit poate afișa o scanare, dar nu rulează OCR; recunoașterea face parte din versiunile Acrobat cu plată. Un convertor este soluția rapidă când aveți nevoie o singură dată de cuvinte și nu doriți un alt abonament. Dacă scanările tot ies slab, ghidul nostru despre cum să scanați documente în PDF tratează setările scanerului și ale telefonului.

Rezoluția de scanare pentru extragerea textului dintr-un PDF scanat

Size	Pixels	cm	in	DPI	Fits
Letter	1700 × 2200	21,59 × 27,94	8,5 × 11	200	Doar pentru text mare și curat; textul mic este ghicit
Letter	2550 × 3300	21,59 × 27,94	8,5 × 11	300	Standard pentru OCR pe pagini tipărite
A4	2480 × 3508	21 × 29,7	8,27 × 11,69	300	Același nivel de detaliu pe hârtie A4
A4	3307 × 4677	21 × 29,7	8,27 × 11,69	400	Note de subsol, text mărunt, pagini vechi de mașină de scris

Când conversia PDF-ului scanat în text nu iese bine

Cuvintele ies fără sens pe o pagină întreagă
Pagina este probabil în altă limbă sau în alt alfabet. Setați Limba documentului potrivit și adăugați Recunoaște și pentru a doua limbă de pe aceeași pagină.
Rândurile sunt rupte în mijlocul propoziției, iar cuvintele se termină cu cratimă
Aceasta urmează întreruperile de rând tipărite. Alegeți Flux de text simplu la Aranjarea textului pentru un singur bloc continuu de text; cratimele rămase necesită o căutare și înlocuire rapidă.
Lipsesc unele pagini din fișierul text
Verificați dacă Pagini este pe Toate paginile la Setări avansate. Un interval precum 1-3 limitează recunoașterea intenționat.

PDF

Portable Document Format

PDF a fost creat de Adobe în 1993 și a devenit standardul deschis ISO 32000 în 2008. Fixează textul, fonturile, imaginile și aspectul, astfel încât documentul arată la fel pe orice ecran și imprimantă. PDF-urile pot conține formulare, semnături, linkuri, atașamente și text căutabil, iar varianta PDF/A este folosită pentru arhivare pe termen lung. Aspectul fix face PDF-urile greu de editat, iar PDF-urile scanate conțin doar imagini, dacă nu se aplică OCR. Orice browser și sistem de operare le poate deschide.

Compresie: –
Transparență: Da
Animație: Nu
Introdus în: 1993 · Adobe

Convertor PDF

TXT

Text simplu

Un fișier TXT conține doar caractere simple, fără formatare, fonturi, imagini sau aspect de pagină. Fișierele text moderne sunt de obicei codificate în UTF-8, care acoperă toate limbile, deși fișierele mai vechi pot folosi alte codificări și pot afișa caractere stricate. Textul simplu este foarte mic, nu devine niciodată depășit și se deschide pe orice dispozitiv, de la telefoane la servere. Nu poate conține text aldin, tabele sau imagini, așa că structura trebuie exprimată prin spațiere sau marcaje simple.

Compresie: –
Transparență: –
Animație: –
Introdus în: –

Convertor TXT

Un PDF scanat stochează imagini ale paginilor, deci cuvintele lui nu pot fi copiate, căutate sau indexate; recunoașterea lor într-un fișier TXT transformă scanarea în text util într-un editor, un traducător sau o casetă de căutare.

Întrebări despre conversia PDF-ului scanat în text

Cum îmi dau seama dacă PDF-ul este scanat sau conține deja text?

Încercați să selectați o propoziție sau să căutați un cuvânt cu Ctrl+F sau Command+F. Dacă cursorul selectează toată pagina ca pe o imagine, iar căutarea nu găsește nimic, este o scanare doar din imagini și are nevoie de OCR. Dacă cuvintele se evidențiază normal, textul există deja, iar PDF în TXT îl extrage exact, fără pasul de recunoaștere.

Ce rezultat este mai bun: text simplu sau PDF căutabil?

Textul simplu este pentru reutilizarea cuvintelor: citare, traducere, lipire într-o bază de date sau într-un e-mail. Un PDF cu text căutabil păstrează aspectul scanării și ascunde textul în spatele ei, ceea ce se potrivește arhivelor și contractelor. Dacă doriți a doua variantă, OCR PDF este pregătit pentru ea.

Ce rezoluție de scanare oferă cel mai bun text dintr-un PDF?

300 DPI pentru paginile tipărite obișnuite. Documentația Tesseract descrie o scădere a preciziei pentru textul sub aproximativ 10 pt la 300 DPI, deci notele de subsol și textul mărunt beneficiază de 400 DPI. Trecerea la 600 DPI rareori ajută OCR-ul și face PDF-ul de mai multe ori mai mare.

Pot extrage text dintr-un PDF scanat cu pagini bătute la mașină sau din cărți vechi?

De obicei da. Literele de mașină de scris și cele din cărți sunt litere tipărite obișnuite, iar Îndreaptă paginile corectează înclinarea care apare adesea la scanarea unei cărți legate. Paginile foarte șterse se citesc mai bine cu Îmbunătățește contrastul activat.

De ce textul dintr-o pagină pe două coloane iese amestecat?

Coloanele sunt păstrate separate când Aranjarea textului este pe Păstrează aspectul, valoarea implicită aici. Dacă rândurile din ambele coloane tot alternează, spațiul dintre ele pe scanare este îngust; o scanare mai curată, cu pagini drepte, rezolvă de obicei problema.