Skannad PDF till text

Q: Varför blandas texten från en sida med två spalter?

Kolumner hålls isär när **Textlayout** är inställd på Behåll layout, vilket är standard här. Om rader från båda kolumnerna ändå alternerar är avståndet mellan dem på skanningen litet; en renare skanning med raka sidor löser det oftast.

Om du inte kan markera ett enda ord i en PDF är det en skanning: en bunt sidfoton utan någon text i. Ladda upp den här så läser OCR varje sida till ren text som du kan kopiera, söka i och redigera.

eller släpp PDF, JPG, JPEG …-filer här ·

Max 95 MB per fil· Upp till 20 filer· Raderas efter 30 minuter

Utdata

Dokumentets språk

Utdata

Typ av text

Filerna bearbetas på våra servrar och raderas efter 30 minuter.

Så använder du verktyget

1
Ladda upp den skannade PDF-filen
Lägg till PDF-filen, eller upp till 20 stycken, var och en på högst 95 MB. TIFF-skanningar med flera sidor och bilder med en sida fungerar också.
2
Välj språk och sidor
Dokumentets språk är engelska och Utdata är Ren text (.txt). Ändra språket för andra dokument, och under Avancerade inställningar kan du använda Sidor för att bara läsa ett intervall i en lång fil.
3
Känn igen texten
Tryck på Känn igen text. Sidorna räts först upp och vänds rätt, och läses sedan i ordning till en textfil.

Skannad PDF eller sökbar PDF: därför saknas texten

Ren bild-PDFskannad PDF · icke sökbar PDF · platt PDF: En PDF vars sidor lagras som bilder, vanligtvis skapad av en skanner, en kopiatorns skanna-till-e-post-funktion eller en skanningsapp i mobilen. Den ser ut som ett dokument, men det finns inga teckenkoder i den, så ingenting går att markera, söka i eller läsa upp.

En vanlig PDF som exporterats från Word eller en webbläsare innehåller textobjekt: varje ord lagras som tecken med ett typsnitt och en position, så sökning och kopiering fungerar. En skanner hoppar över allt det och sparar en bild per sida. För en dator är sidan med ditt avtal samma sorts data som ett foto på en katt.

OCR bygger upp det saknade lagret. Sidbilden rensas, rader och ord hittas, och varje teckenform matchas mot alfabetet för valt Dokumentets språk. Den här sidan returnerar resultatet som ren text. En sökbar PDF är det andra vanliga resultatet: skanningen förblir synlig och de igenkända orden läggs till bakom den som osynlig text, ett renderingsläge som PDF-standarden ISO 32000 alltid har tillåtit.

Gratisprogrammet Adobe Acrobat Reader kan visa en skanning men utför ingen OCR; igenkänning ingår i de betalda Acrobat-versionerna. En konverterare är genvägen när du behöver orden en gång och inte vill ha ännu en prenumeration. Om dina skanningar fortfarande blir dåliga går vår guide om hur du skannar dokument till PDF igenom inställningar för skanner och mobil.

Skanningsupplösning för att extrahera text ur en skannad PDF

Size	Pixels	cm	in	DPI	Fits
Letter	1700 × 2200	21,59 × 27,94	8,5 × 11	200	Bara stor, tydlig text; liten text gissas
Letter	2550 × 3300	21,59 × 27,94	8,5 × 11	300	Standard för OCR av tryckta sidor
A4	2480 × 3508	21 × 29,7	8,27 × 11,69	300	Samma detaljnivå på A4-papper
A4	3307 × 4677	21 × 29,7	8,27 × 11,69	400	Fotnoter, liten text, gamla skrivmaskinssidor

När texten från en skannad PDF blir fel

Orden blir nonsens över en hel sida
Sidan är troligen på ett annat språk eller skriftsystem. Ställ in Dokumentets språk så att det stämmer, och lägg till Känn även igen för ett andra språk på samma sida.
Raderna bryts mitt i meningar och orden slutar med bindestreck
Det följer de tryckta radbrytningarna. Välj Löpande text under Textlayout för ett sammanhängande textblock; kvarvarande bindestreck kräver en snabb sök och ersätt.
Vissa sidor saknas i textfilen
Kontrollera att Sidor är inställd på Alla sidor under Avancerade inställningar. Ett intervall som 1-3 begränsar igenkänningen med avsikt.

PDF

Portable Document Format

PDF skapades av Adobe 1993 och blev den öppna ISO 32000-standarden 2008. Det fixerar text, typsnitt, bilder och layout så att ett dokument ser likadant ut på varje skärm och skrivare. PDF-filer kan innehålla formulär, signaturer, länkar, bilagor och sökbar text, och varianten PDF/A används för långtidsarkivering. Den fasta layouten gör PDF svårt att redigera, och skannade PDF-filer innehåller bara bilder om inte OCR har använts. Alla webbläsare och operativsystem kan öppna dem.

Komprimering: –
Transparens: Ja
Animation: Nej
Introducerades: 1993 · Adobe

PDF-omvandlare

TXT

Oformaterad text

En TXT-fil innehåller bara vanliga tecken utan formatering, typsnitt, bilder eller layout. Moderna textfiler är oftast kodade i UTF-8, som täcker alla språk, men äldre filer kan använda andra teckenkodningar och visa förvanskade tecken. Oformaterad text är liten, blir aldrig föråldrad och öppnas på alla enheter, från mobiler till servrar. Den kan inte innehålla fet text, tabeller eller bilder, så struktur måste uttryckas med mellanrum eller enkel märkning.

Komprimering: –
Transparens: –
Animation: –
Introducerades: –

TXT-omvandlare

En skannad PDF lagrar bilder av sidor, så orden går inte att kopiera, söka i eller indexera; när de känns igen till en TXT-fil blir skanningen text som fungerar i en redigerare, en översättare eller ett sökfält.

Frågor om skannad PDF till text

Hur ser jag om min PDF är skannad eller redan innehåller text?

Försök markera en mening eller söka efter ett ord med Ctrl+F eller Command+F. Om markören markerar hela sidan som en bild och sökningen inte hittar något är det en ren bildskanning som behöver OCR. Om orden markeras som vanligt finns texten redan, och PDF till TXT extraherar den exakt, utan något igenkänningssteg.

Är ren text eller en sökbar PDF det bästa resultatet?

Ren text är till för att återanvända orden: citera, översätta, klistra in i en databas eller ett e-postmeddelande. En sökbar PDF behåller skanningens utseende och döljer texten bakom den, vilket passar arkiv och avtal. Vill du ha det senare är OCR PDF gjort för det.

Vilken skanningsupplösning ger bäst text ur en PDF?

300 DPI för vanliga tryckta sidor. Tesseracts dokumentation beskriver att träffsäkerheten sjunker för text under cirka 10 pt vid 300 DPI, så fotnoter och liten text gynnas av 400 DPI. 600 DPI hjälper sällan OCR och gör PDF-filen flera gånger större.

Kan jag extrahera text ur en skannad PDF med maskinskriven text eller en gammal boksida?

Oftast ja. Skrivmaskinstext och boktryck är vanliga tryckta bokstäver, och Räta upp sidor rättar den lutning som ofta uppstår när man skannar en inbunden bok. Mycket bleka sidor läses bättre med Förbättra kontrasten aktiverat.

Varför blandas texten från en sida med två spalter?

Kolumner hålls isär när Textlayout är inställd på Behåll layout, vilket är standard här. Om rader från båda kolumnerna ändå alternerar är avståndet mellan dem på skanningen litet; en renare skanning med raka sidor löser det oftast.