Prevod skenovaného PDF na text

Q: Prečo sa text zo strany s dvoma stĺpcami pomieša?

Stĺpce zostanú oddelené, keď je **Rozloženie textu** nastavené na Zachovať rozloženie, čo je tu predvolené. Ak sa riadky z oboch stĺpcov stále striedajú, medzera medzi nimi je na skene úzka; zvyčajne to opraví čistejší sken s rovnými stranami.

Ak v PDF neviete označiť ani jedno slovo, ide o sken: súbor fotografií strán bez textu. Nahrajte ho sem a rozpoznávanie textu (OCR) prevedie každú stranu na čistý text, ktorý môžete kopírovať, vyhľadávať v ňom a upravovať.

alebo sem presuňte súbory PDF, JPG, JPEG … ·

Max. 95 MB na súbor· Až 20 súborov· Odstránenie po 30 minútach

Output

Document language

Output

Text type

Súbory sa spracúvajú na našich serveroch a po 30 minútach sa odstránia.

Ako používať tento nástroj

1
Nahrajte skenované PDF
Pridajte PDF alebo najviac 20 súborov, každý do 95 MB. Fungujú aj viacstranové skeny TIFF a obrázky s jednou stranou.
2
Nastavte jazyk a strany
Jazyk dokumentu je angličtina a Výstup je Obyčajný text (.txt). Pri iných dokumentoch zmeňte jazyk a v Rozšírené nastavenia môžete cez Strany prečítať len určitý rozsah dlhého súboru.
3
Rozpoznajte text
Stlačte Rozpoznať text. Strany sa najprv vyrovnajú a otočia na výšku, potom sa v poradí prečítajú do jedného textového súboru.

Skenované PDF a PDF s vyhľadávaním: prečo chýba text

PDF len s obrázkaminaskenované PDF · neprehľadávateľné PDF · ploché PDF: PDF, ktorého strany sú uložené ako obrázky, zvyčajne vytvorené skenerom, funkciou skenovania do e-mailu na kopírke alebo mobilnou aplikáciou na skenovanie. Vyzerá ako dokument, ale vo vnútri nie sú kódy znakov, takže sa nedá nič označiť, vyhľadať ani nechať prečítať nahlas.

Bežné PDF exportované z Wordu alebo prehliadača obsahuje textové objekty: každé slovo je uložené ako znaky s písmom a pozíciou, takže vyhľadávanie a kopírovanie fungujú. Skener toto všetko preskočí a uloží jeden obrázok na stranu. Pre počítač je strana s vašou zmluvou rovnaký druh dát ako fotka mačky.

OCR dobuduje chýbajúcu vrstvu. Obraz strany sa vyčistí, nájdu sa riadky a slová a tvar každého znaku sa porovná s abecedou zvoleného Jazyk dokumentu. Táto stránka vráti výsledok ako obyčajný text. Druhým častým výsledkom je prehľadávateľné PDF: sken zostane viditeľný a rozpoznané slová sa pridajú za neho ako neviditeľný text, v režime vykresľovania, ktorý štandard PDF, ISO 32000, vždy umožňoval.

Bezplatný Adobe Acrobat Reader dokáže sken zobraziť, ale OCR nespúšťa; rozpoznávanie je súčasťou platených verzií Acrobatu. Konvertor je skratka, keď slová potrebujete jednorazovo a nechcete ďalšie predplatné. Ak sú vaše skeny stále slabé, náš návod ako skenovať dokumenty do PDF pokrýva nastavenia skenera a telefónu.

Rozlíšenie skenu pri získavaní textu zo skenovaného PDF

Size	Pixels	cm	in	DPI	Fits
Letter	1700 × 2200	21,59 × 27,94	8,5 × 11	200	Len veľká čistá tlač; malý text sa len hádá
Letter	2550 × 3300	21,59 × 27,94	8,5 × 11	300	Štandard pre OCR tlačených strán
A4	2480 × 3508	21 × 29,7	8,27 × 11,69	300	Rovnaký detail na papieri A4
A4	3307 × 4677	21 × 29,7	8,27 × 11,69	400	Poznámky pod čiarou, drobné písmo, staré strojopisné strany

Keď prevod skenovaného PDF na text zlyhá

Slová vychádzajú ako nezmysly na celej strane
Strana je pravdepodobne v inom jazyku alebo písme. Nastavte Jazyk dokumentu podľa nej a pre druhý jazyk na tej istej strane pridajte Rozpoznať aj.
Riadky sú zalomené uprostred vety a slová končia spojovníkmi
Ide o zalomenie tlačených riadkov. V Rozloženie textu vyberte Súvislý text pre jeden súvislý blok textu; zvyšné spojovníky treba rýchlo nahradiť cez nájsť a nahradiť.
V textovom súbore chýbajú niektoré strany
Skontrolujte, že Strany je v Rozšírené nastavenia nastavené na Všetky strany. Rozsah ako 1-3 obmedzuje rozpoznávanie zámerne.

PDF

Portable Document Format

PDF vytvoril Adobe v roku 1993 a v roku 2008 sa stal otvoreným štandardom ISO 32000. Pevne určuje text, písma, obrázky a rozloženie, takže dokument vyzerá rovnako na každej obrazovke a tlačiarni. PDF môže obsahovať formuláre, podpisy, odkazy, prílohy a vyhľadávateľný text a variant PDF/A sa používa na dlhodobú archiváciu. Pevné rozloženie sťažuje úpravy a naskenované PDF obsahujú len obrázky, kým sa nepoužije OCR. Otvorí ich každý prehliadač aj operačný systém.

Kompresia: –
Priehľadnosť: Áno
Animácia: Nie
Rok vzniku: 1993 · Adobe

Konvertor PDF

TXT

Obyčajný text

Súbor TXT obsahuje iba obyčajné znaky bez formátovania, písiem, obrázkov či rozloženia. Moderné textové súbory majú zvyčajne kódovanie UTF-8, ktoré pokrýva všetky jazyky, staršie súbory však môžu používať iné kódovania a zobraziť nezmyselné znaky. Obyčajný text je drobný, nikdy nezastará a otvorí sa na každom zariadení, od telefónov po servery. Nepojme tučný text, tabuľky ani obrázky, takže štruktúru treba vyjadriť medzerami alebo jednoduchým značkovaním.

Kompresia: –
Priehľadnosť: –
Animácia: –
Rok vzniku: –

Konvertor TXT

Naskenované PDF ukladá obrázky strán, takže jeho slová sa nedajú kopírovať, vyhľadávať ani indexovať; rozpoznaním do súboru TXT sa sken zmení na text, ktorý funguje v editore, prekladači aj vo vyhľadávacom poli.

Otázky o prevode skenovaného PDF na text

Ako zistím, či je moje PDF skenované, alebo už obsahuje text?

Skúste označiť vetu alebo vyhľadať slovo cez Ctrl+F alebo Command+F. Ak sa kurzor označí celú stranu ako obrázok a vyhľadávanie nič nenájde, ide o sken len s obrázkami a treba OCR. Ak sa slová označujú normálne, text tam už je a PDF do TXT ho extrahuje presne, bez rozpoznávania.

Čo je lepší výsledok: čistý text, alebo PDF s možnosťou vyhľadávania?

Obyčajný text je na opätovné použitie slov: citovanie, preklad, vloženie do databázy alebo e-mailu. Prehľadávateľné PDF zachová vzhľad skenu a text ukryje za ním, čo sa hodí do archívov a na zmluvy. Ak chcete to druhé, je na to určené OCR PDF.

Aké rozlíšenie skenu dáva najlepší text z PDF?

300 DPI pre bežné tlačené strany. Dokumentácia Tesseractu uvádza, že presnosť klesá pri texte pod približne 10 pt pri 300 DPI, preto poznámky pod čiarou a drobné písmo ťažia zo 400 DPI. 600 DPI OCR zriedka pomôže a PDF bude niekoľkokrát väčšie.

Dá sa získať text zo skenovaného PDF so strojopisom alebo stranou starej knihy?

Zvyčajne áno. Strojopis a knižná sadzba sú pravidelné tlačené písmená a Vyrovnať strany opraví naklonenie, ktoré často vzniká pri skenovaní viazanej knihy. Veľmi vyblednuté strany sa čítajú lepšie so zapnutým Zvýšiť kontrast.

Prečo sa text zo strany s dvoma stĺpcami pomieša?

Stĺpce zostanú oddelené, keď je Rozloženie textu nastavené na Zachovať rozloženie, čo je tu predvolené. Ak sa riadky z oboch stĺpcov stále striedajú, medzera medzi nimi je na skene úzka; zvyčajne to opraví čistejší sken s rovnými stranami.