حيث يكسر الخط ما تحصل عليه

لا يحتوي ملف PDF على سطور نصية. يحتوي على حروف رمزية في الإحداثيات ، والخطوط التي يمكنك رؤيتها هي شيء تجمعه عينك. يجب على أي مستخرج تجميعها أيضًا ، من ثلاثة أرقام لكل شوط واثنين من العتبات ، وتقريبًا كل شيء غريب في النص المستخرج يعود إلى إحدى تلك العتبات مما يجعل مكالمة معقولة حدثت خاطئة. الشخص الذي أصلحته أثناء كتابة هذا لقب مقطوع عبر سطر ، & quot؛ osei- & quot؛ ثم & quot؛ mensah & quot؛ ، إلى & quot؛ osei- mensah & quot؛: واصلة ، على النحو المنشود ، مع مساحة بعدها لم تكن هناك أبدًا.

ليرة تركية؛DR: الاستخراج هو إعادة تجميع الخط ، والإعدادات المهمة غير مرئية. يتم تشغيل سطر واحد في نصف ارتفاع الخط بعضها، فجوة عمودية تزيد عن 1.45 مرة تبدأ فجوة الصفحة المعتادة فقرة، والفجوة الأفقية التي تقل عن ربع ارتفاع الخط ليست مساحة كلمة. فضل عواقب للصقها في محرر و حفظ للجداول والرمز. PDF بمتوسط أقل من 12 حرفًا في الصفحة عبارة عن مسح ضوئي ويحتاج إلى OCR بدلاً من ذلك ، وهو ما تقوله الأداة بدلاً من تسليم ملف فارغ لك. PDF إلى نص يعمل في المتصفح.

لماذا يحتاج PDF إلى "الاستخراج" على الإطلاق؟

لأن النص الموجود فيه كان مكتوبًا كتعليمات رسم ، وقراءتها مرة أخرى ليست عكس كتابتها.

يقول دفق المحتوى "تعيين هذا الخط بهذا الحجم ، تحرك هنا ، اعرض هذه الحروف الرسومية" المواصفات يصف نموذج الرسم ، ويجلس مشغلو النص بجانب تلك الخاصة برسم الخطوط وملء الأشكال. لا يوجد سطر أو فقرة أو عمود معنى كائن. أي pdf.js المسند للخلف عبارة عن قائمة مسطحة من عمليات التشغيل الموضعية ، كل منها بسلسلة ، و X ، و Y ، وعرض وارتفاع خط ، بالترتيب الذي تم رسم الصفحة به. في صفحة الاختبار ، لا يكون هذا الترتيب هو ترتيب القراءة ، ويمكن أن يكون التشغيل الفردي حرفًا واحدًا.

كل شيء آخر هو إعادة بناء. ثلاث عتبات تفعل كل ذلك تقريبًا ، وهي تستحق المعرفة لأنها تفسر الإخفاقات.

عتبة	قيمة	ما يقرر
تسامح الخط	0.5 × ارتفاع الخط	سواء كانت جولتين تجلس على نفس الخط
نسبة الفقرة	1.45 × فجوة متوسطة الصفحة	ما إذا كانت الفجوة العمودية تبدأ فقرة جديدة
نسبة الفضاء	0.25 × ارتفاع الخط	ما إذا كانت الفجوة الأفقية هي مساحة كلمة

كل منها جزء من حجم النص الخاص به بدلاً من عدد ثابت من النقاط ، لذا فإن الحاشية والعنوان على نفس الصفحة يحصلان على تفاوتات مختلفة ، وتتصرف مجموعة من المستندات في 9 نقاط مثل مجموعة واحدة في 14.

لماذا عتبة مساحة الكلمات ضرورية؟

لأنه بدونها كل كلمة تتفكك.

يقسم محلل PDF بشكل متكرر كلمة واحدة عبر عدة أشواط مع عدم وجود فجوة بينهما ، من أجل cling أو لتغيير الخط في منتصف الكلمة. يتحول الانضمام إلى مسافة على مسافة دون قيد أو شرط filename في f i l e n a m e. الانضمام إلى أي شيء على الإطلاق يدير كلمات منفصلة معًا.

لذا فإن القاعدة هي فجوة أوسع من ربع ارتفاع الخط الذي يعد مساحة ، وهو تقريبًا عرض مساحة كلمة حقيقية في معظم المحارف. أقل من ذلك ، توجد أجزاء من كلمة واحدة.

هذه هي العتبة التي لن تلاحظها أبدًا وهي تعمل وستلاحظ على الفور الفشل ، عادةً على مجموعة عناوين مع تباعد أحرف عريض ، حيث يكون كل حرف متباعدًا بما يكفي ليبدو وكأنه كلمة.

ما هو الفرق بين إعادة التدفق والمحافظة؟

يمنحك إعادة التدفق النثر. الحفظ يمنحك الصفحة.

فيما يلي فقرة واحدة تم وضعها على ثلاثة أسطر ، متبوعة بآخر ، يتم تشغيلها عبر كلا الوضعين:

--- preserve ---
The committee reviewed the figures and agreed that the
revised protocol should be circulated before the end of
the month.
A second paragraph begins here after a larger gap.

--- reflow ---
The committee reviewed the figures and agreed that the revised protocol should be circulated before the end of the month.

A second paragraph begins here after a larger gap.

انضمت REFLOW إلى الأسطر الثلاثة في جملة واحدة ووضعت سطرًا فارغًا بين الفقرات. حفظ كل فاصل فاصل تم وضع الصفحة به ، بما في ذلك السطر الموجود في منتصف الجملة.

استخدم REFLOW	استخدم الحفظ
لصق في مستند أو محرر	جدول حيث الأعمدة هي المحتوى
نقلا عن مقطع	قائمة رمز ، حيث تكون فواصل الأسطر هي بناء الجملة
تغذية نص إلى نص أو نموذج	كتلة عنوان أو نموذج
أي شيء ستعيد تهيئة على أي حال	أي شيء حيث يحمل التصميم معنى

إعادة التدفق هو الافتراضي والصحيح في معظم الأوقات. الخطأ الذي يرتكبه الناس هو استخدامه على طاولة ، حيث يؤدي ضم الصفوف في النثر إلى تدمير الهيكل الوحيد الذي كان لدى الطاولة.

كيف تقرر أين تنتهي الفقرة؟

من خلال مقارنة كل فجوة رأسية مع الفجوة النموذجية للصفحة.

يتم قياس كل فجوة بين الأسطر المتتالية ، ويتم أخذ الوسيط ، وأي فجوة تزيد عن 1.45 مرة في ذلك الوسيط تبدأ فقرة جديدة. لذا فإن الصفحة ذات المسافات الواحدة لا تعود كفقرة واحدة لكل سطر ، ولا تعود الصفحة ذات المسافات المزدوجة ككتلة واحدة.

إن استخدام الوسيط بدلاً من الرقم الثابت هو ما يجعل هذا العمل عبر المستندات ذات البادئة المختلفة. إنه أيضًا المكان الذي تفشل فيه: الصفحة التي تحتوي على عدد قليل جدًا من الأسطر ليس لها وسيط موثوق. غالبًا ما تعود صفحة العنوان أو ملاحظة قصيرة أو ورقة غلاف كفقرة واحدة ، وهي نفس الضعف تحويل الكلمة له نفس السبب.

الإصلاح يدوي وسريع. فواصل الفقرات واضحة للقارئ بطريقة ليست إلى حد.

ماذا حدث للكلمات المقطوعة عبر الأسطر؟

لقد تم الانضمام إلى هذه الوثيقة ، والقاعدة التي يجب أن تسقطها الواصلات هي تخمين صحيح في كثير من الأحيان.

عندما ينتهي السطر بواصلة ، فإن السؤال هو ما إذا كان منسق الطباعة وضعه هناك لكسر كلمة ما أو ما إذا كان ينتمي إلى الكلمة. القاعدة المستخدمة هنا هي الحالة: إذا بدأ السطر التالي بحرف صغير ، كانت الواصلة هي الناشرة وتذهب ؛ إذا بدأت برأس مال أو رقم ، فإن الواصلة هي جزء من النص وتبقى.

مكسورة عبر الخطوط	نتيجة	أليس كذلك؟
self- + contained	selfcontained	نعم
re- + encode	reencode	نعم
client- + Side	client-Side	نعم
Osei- + Mensah	Osei-Mensah	نعم
COVID- + 19	COVID-19	نعم
2026- + 03	2026-03	نعم
well- + known	wellknown	لا

الصف الأخير غير قابل للإصلاح بأي قاعدة. "المعروفة" المكسورة في واصلة خاصة بها و "المعروفة" المكسورة بالتبرير تنتج زوجًا متطابقًا من الأسطر ، ويخبرهم عن بعضهم البعض يحتاج إلى قاموس بدلاً من عتبة. وينطبق الشيء نفسه على "اعادة-"و" و"التشفير" أعلاه، والذي يصادف أن يكون صحيحا فقط لأن "إعادة ترميز" ليست كلمة يكتبها أحد.

الصفوف في المنتصف هي التي تغيرت أثناء كتابة هذا الدليل. العلبة غير المفلسة المستخدمة لإضافة مساحة مع الواصلة المحتفظ بها ، مما ينتج عنه Osei- Mensah و 2026- 03. تنتمي الواصلة إلى الكلمة في كلتا الحالتين ، لذا فإن مسافة بعدها لا تكون صحيحة أبدًا ، والاختبار الذي أكد أن الإخراج القديم قد تم تصحيحه جنبًا إلى جنب مع السلوك.

كيف تعرف أن ملف PDF هو مسح ضوئي؟

من خلال حساب الأحرف لكل صفحة ، مع عتبة منخفضة بما يكفي بحيث لا ينجح سوى مسح ضوئي حقيقي.

المستند الممسوح ضوئيًا هو ملف PDF مليء بالصور. لا توجد طبقة نصية ، لذا فإن الاستخراج لا يُرجع شيئًا ، والاستجابة المفيدة هي قول ذلك بدلاً من تسليم ملف فارغ.

  0 chars over 3 pages   treated as a scan
 30 chars over 3 pages   treated as a scan
 36 chars over 3 pages   has a text layer
 11 chars over 1 page    treated as a scan
 12 chars over 1 page    has a text layer

السطر هو اثنا عشر حرفًا في الصفحة. هذا ليس صفرًا لغرض: غالبًا ما تحمل الصفحة الممسوحة ضوئيًا نصًا عرضيًا صغيرًا من الماسح الضوئي أو رقم صفحة مختومًا بواسطة البرنامج أو علامة مائية. ستقوم العتبة عند الصفر باستدعاء هذه المستندات قابلة للاستخراج وتعيد ثلاثة أرقام صفحات.

إذا كان ملف PDF الخاص بك هو مسح، فإن الخطوة التالية هي OCR، و الحساب المقاس لما يكسر التعرف الضوئي على الحروف لديه النسخة المقاسة من ذلك: إمالة ثلاث درجات تكلفك أكثر بكثير مما تكلفك الدقة المنخفضة.

ماذا عن الأعمدة؟

إنها تتشابك ، وهذا هو الحد الذي يستحق المعرفة قبل أن تثق في أي استخراج.

يتم تجميع الأسطر حسب خط الأساس أولاً ، لذلك تتم قراءة عمودين من النص في نفس المواضع الرأسية بدلاً من لأسفل. في اختبار لصفحة تقرير من عمودين ، كانت النتيجة كل سطر من العمود الأيسر متبوعًا بالخط الموجود بجانبه مباشرة:

Revenue rose in the third Headcount grew by four, quarter on the back of
two all in support. The hiring large renewals signed in plan for the fourth

كل كلمة موجودة. الترتيب عديم الفائدة ، ويقرأ الإخراج على أنه هراء بطلاقة وليس كخطأ.

غالبًا ما تنجو الصحف والصحف الأكاديمية من هذا ، لأن الحضيض بين الأعمدة واسع ومنتظم بما يكفي للعثور على خطوة تجزئة الصفحة. لا يتم في كثير من الأحيان تقرير به شريط جانبي أو عرض أسعار سحب أو جدول من عمودين.

النهج الموثوق به في مستند مكون من أعمدة هو التحقق من الفقرة الأولى من كل صفحة. إذا كانت الجمل مقسمة ، فقم باستخراج عمود واحد في كل مرة عن طريق الاقتصاص ، أو اقبل أنك تحصل على حقيبة كلمات بدلاً من النثر.

هل يمكنك الحصول على طاولة من ملف PDF؟

القيم نعم. الجدول ، لا ، والسبب هو أن ملف PDF لا يحتوي على جدول أيضًا.

عادةً ما يتم رسم جدول في ملف PDF بنص إحداثيات مع رسم بعض الخطوط حوله. الأسطر عبارة عن عمليات رسومات لا يوجد فيها أي شيء في الملف يربطها بالنص الذي ترفقه ، والخلايا ليست خلايا ؛ إنها عمليات تشغيل تصطدم. لذلك يرى المستخرج صفوفًا من النص ويقرأها:

Region Q2 Q3 EMEA 412 455 AMER 388 401 APAC 120 166

نجا كل شخصية. لا يمكنك معرفة أي ربع ينتمي إليه الربع 412 دون احتساب المواضع ومعرفة شكل الأصل.

يساعد وضع الحفظ قليلاً ، لأنه يحافظ على بنية الصف مع فواصل الأسطر ، والتي تخبرك على الأقل بمكان انتهاء كل صف. لا يزال لا يمنحك حدود العمود.

شيئان يعملان. أداة تعريف إنج علام PDF الموسومة، يتم تصديرها بعناية من Word أو InDesign مع هيكل إمكانية الوصول ، تحمل علامة جدول حقيقية وتتحول بشكل صحيح ؛ هذه أقلية ويمكنك عادةً معرفة ذلك لأن المستند تم إنشاؤه بواسطة شخص يهتم. وبالنسبة لجدول غير محدد مهم ، فإن نسخه في جدول بيانات يدويًا أسرع من محاربة أي أداة ، وهي إجابة غير مرضية نجت من كل محاولة لتحسينها.

ماذا تفعل علامات الصفحة؟

يحتفظون بأرقام الصفحات ، وهو أمر مهم أكثر مما يبدو لأي شيء ستستشهد به أو الرجوع إليه.

مع وضع العلامات ، يتم تسمية كل صفحة ولا تزال الصفحات الفارغة محسوبة:

--- Page 1 ---

First page text.

--- Page 2 ---

--- Page 3 ---

Third page text.

الصفحة 2 لا يوجد نص قابل للاستخراج ولا يزال يظهر. هذا متعمد: ستختفي ورقة ممسوحة ضوئيًا بين صفحتين نصيتين وستكون كل رقم صفحة لاحقة خاطئة بواحدة.

مع إيقاف تشغيل العلامات ، لا تترك الصفحة الفارغة أي أثر ويتم ربط صفحتين من النص ببساطة. هذا هو الخيار الصحيح عندما تقوم بلصق النص في مكان ما ويكون ترقيم الصفحات هو قطعة أثرية من ملف PDF بدلاً من جزء من المستند.

هل النص المستخرج هو نفسه الأصلي؟

الشخصيات. ذهب كل شيء آخر ، والقائمة تستحق القراءة قبل الاعتماد على الإخراج.

جريئة ، مائلة ، خط ، حجم ، ألوان ، جداول كجداول وصور ورؤوس وتذييلات تختلف عن النص الأساسي ، والحواشي السفلية تختلف عن الجملة التي تكتبها ، والروابط كروابط ، وترتيب القراءة لأي تخطيط معقد. ما تحصل عليه هو الأحرف وفترات فواصل الفقرة.

بالنسبة لمعظم الاستخدامات ، هذا صحيح تمامًا. البحث ، الاقتباس ، العد ، تغذية نص ، اللصق في محرر: كل هؤلاء يريدون الكلمات ولا شيء آخر.

حيث تعض هو وثيقة يعيش معنى ذلك جزئيًا في تنسيقه. عقد يكون فيه المصطلح المحدد جريئًا ، وهو مواصفات حيث يتم تمييز عينة التعليمات البرمجية بخطها ، وتقرير حيث تغير الحاشية السفلية ما تدعي الجملة. النص المستخرج يسطح كل ذلك ، ولا شيء في الإخراج يقول ذلك.

هل يجب استخراجه إلى نص أم تحويله إلى كلمة؟

نص إذا كان الجهاز سيقرأه ، فكلمة إذا كان الشخص سيقوم بتحريرها.

كلاهما يدير نفس إعادة التجميع ، لذا فإن جودة الكلمات متطابقة. الفرق هو فقط ما يتم كتابته في النهاية: a .txt ملف أو نفس الفقرات داخل ملف XML.

تريد أن	يستخدم
grep أو البحث أو تغذية البرنامج النصي	PDF إلى نص
عد الكلمات أو تحليل المحتوى	PDF إلى نص
تحرير النثر وإرساله	PDF إلى Word
حافظ على التصميم بالضبط	لا ؛ احصل على الملف الأصلي

الصف الأخير هو الذي يصل الناس إليه ، ولا استخراج يعطيك إياه. دليل تحويل الكلمات يمر بالسبب بالتفصيل ، مع جدول يعود كسطر واحد من القيم.

ما هو حجم ملف PDF يمكنه التعامل معه؟

كبير ، والحد هو علامة التبويب بدلاً من التنسيق.

تتم قراءة الملف بالكامل في ذاكرة الصفحة وتحليله هناك ، ويتم الاحتفاظ بالنص المستخرج بجانبه. بضع مئات من الصفحات من النص العادي غير ملحوظة، والمسح الضوئي من ألف صفحة هو اقتراح مختلف لأن الصور تأتي على الرغم من أن أيا منها لا ينتج نصا.

إذا كان المستند كبيرًا بما يكفي للقلق بشأنه ، فإن الإشارة هي التحليل وليس الاستخراج. إن سحب النص من صفحة تم تحليلها بالفعل أمر رخيص ؛ إدخال الملف في المحلل اللغوي هو ما يستغرق الوقت والذاكرة.

لماذا يتم تشغيل هذا في المتصفح؟

لأن التحليل لا يحتاج إلى خادم ، ونادرًا ما تكون ملفات PDF المستخرجة عامة.

تتم قراءة الملف من القرص الخاص بك إلى علامة التبويب ، ويتم تحليله هناك باستخدام PDF.js المجمعة للويب ، وإعادة تجميعها في نص وإعادة. لا يوجد طلب يحمل المستند ، ولا يتم تخزين أي شيء ، ولا توجد نسخة في أي مكان يتم الاحتفاظ بها بموجب شروط لم تقرأها.

المستندات المعنية هي العقود والبيانات والرسائل الطبية وملفات المحكمة والأوراق المفروضة والتقارير الداخلية. يقوم البديل التقليدي بتحميل الملف بالكامل إلى خدمة مقابل عملية تحليلية وبعض الحساب على الإحداثيات.

التكلفة هي ذاكرة التبويب الموجودة على الملفات الكبيرة جدًا ، ولا توجد رسوم متحركة لعمليات المسح. كلاهما مرئي قبل أن تبدأ بدلاً من اكتشافه بعد ذلك.