Un PDF no contiene líneas de texto. Contiene glifos en coordenadas, y las líneas que puedes ver son algo que tu ojo ensambla. Cualquier extractor también tiene que ensamblarlos, a partir de tres números por ejecución y un par de umbrales, y casi todas las rarezas en el texto extraído se remontan a uno de esos umbrales haciendo una llamada razonable que resultó incorrecta. El que arreglé al escribir esto convirtió un apellido atravesado por una línea, "Osei-" entonces "Mensah", en "Osei-mensah": guión guardado, según se pretendía, con un espacio después de él que nunca pertenecía allí.
TL;Dr: La extracción es el reensamblaje de la línea y los ajustes que importan son invisibles. Las carreras dentro de la mitad de una altura de fuente son una línea; un espacio vertical más de 1,45 veces el espacio habitual de la página inicia un párrafo; un espacio horizontal debajo de una cuarta parte de la altura de la fuente no es un espacio de palabras. elegir reaparición pegar en un editor y confiscar Para tablas y código. Un PDF con un promedio de menos de 12 caracteres, una página es un escaneo y necesita OCR, que la herramienta dice en lugar de entregarle un archivo vacío. PDF a texto se ejecuta en el navegador.
¿Por qué un PDF necesita "extraer"?
Porque el texto que contiene se escribió como instrucciones de dibujo, y leerlos no es lo contrario de escribirlas.
Un flujo de contenido dice "Establecer esta fuente en este tamaño, muévase aquí, muestre estos glifos". la especificación Describe un modelo de pintura y los operadores de texto se sientan al lado de los de dibujo de líneas y relleno de formas. No hay ningún objeto que significa línea, párrafo o columna. que pdf.js Hands Back es una lista plana de carreras posicionadas, cada una con una cadena, una X, una Y, una anchura y una altura de fuente, en el orden en que se pintó la página. En una página de prueba, ese orden no está en orden de lectura, y una sola ejecución puede ser un solo carácter.
Todo lo demás es reconstrucción. Tres umbrales lo hacen casi todo, y vale la pena conocerlos porque explican los fracasos.
| Umbral | preciar | que decide |
|---|---|---|
| Tolerancia de línea | 0.5 x Altura de fuente | Si dos carreras se sientan en la misma línea |
| Relación de párrafo | 1.45 x La brecha mediana de la página | Si una brecha vertical inicia un nuevo párrafo |
| proporción espacial | 0.25 x Altura de fuente | Si un espacio horizontal es un espacio de palabras |
Cada uno es una fracción del propio tamaño del texto en lugar de un número fijo de puntos, por lo que una nota al pie y un encabezado en la misma página obtienen diferentes tolerancias, y un documento establecido en 9 puntos se comporta como uno establecido en 14.
¿Por qué es necesario el umbral del espacio de palabras?
Porque sin ella cada palabra se desmorona.
Un analizador de PDF con frecuencia divide una sola palabra en varias ejecuciones sin espacio entre ellas, para el kerning o para un cambio de fuente en la mitad de la palabra. Uniendo carreras en un espacio gira incondicionalmente filename hacia el interior de f i l e n a m e. Unirse sin nada ejecuta palabras separar palabras.
Por lo tanto, la regla es una brecha más amplia que una cuarta parte de la altura de la fuente cuenta como un espacio, que es aproximadamente el ancho de un espacio de palabras real en la mayoría de los tipos de letra. Debajo de eso, las carreras son partes de una palabra.
Este es el umbral que nunca notará que funciona y notará que falla, generalmente en un título establecido con espacio de letras amplio, donde cada letra está lo suficientemente separada para parecer una palabra.
¿Cuál es la diferencia entre reflujo y reserva?
Reflujo te da prosa. Preserve te da la página.
Aquí hay un párrafo establecido en tres líneas, seguido de otro, que se ejecutan en ambos modos:
--- 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.
Reflow unió las tres líneas en una oración y puso una línea en blanco entre los párrafos. Preserve mantuvo cada salto de línea con el que se diseñó la página, incluida la que está en medio de una oración.
| Usar reflujo | Usar reserva |
|---|---|
| Pegar en un documento o un editor | Una tabla, donde las columnas son el contenido |
| Citando un pasaje | Una lista de códigos, donde los saltos de línea son sintaxis |
| alimentar texto a un guión o un modelo | Un bloque de direcciones o un formulario |
| cualquier cosa que vayas a formatear de todos modos | cualquier cosa donde el diseño tenga significado |
Reflow es el predeterminado y el correcto la mayor parte del tiempo. El error que cometen las personas es usarlo en una mesa, donde unir las filas en prosa destruye la única estructura que tenía la tabla.
¿Cómo decide dónde termina un párrafo?
Comparando cada brecha vertical con la propia brecha típica de la página.
Se mide cada brecha entre líneas consecutivas, se toma la mediana y cualquier brecha más de 1,45 veces que la mediana inicia un nuevo párrafo. Por lo tanto, una página de un solo espacio no vuelve a ser un párrafo por línea, y una a doble espacio no vuelve como un solo bloque.
El uso de la mediana en lugar de un número fijo es lo que hace que esto funcione en todos los documentos con diferentes líderes. También es donde falla: una página con muy pocas líneas no tiene una mediana confiable. Una portada, una nota corta o una portada a menudo vuelve como un párrafo de ejecución, que es la misma debilidad La palabra conversión tiene, por la misma razón.
La solución es manual y rápida. Los saltos de párrafo son obvios para un lector de una manera que no son de umbral.
¿Qué pasó con las palabras divididas en líneas?
Se reintegran, y la regla por la que se desprenden los guiones es una conjetura que es la más frecuente.
Cuando una línea termina en un guión, la pregunta es si el tipo de letra la pone allí para romper una palabra o si pertenece a la palabra. La regla que se usa aquí es Case: si la siguiente línea comienza en minúsculas, el guión era el tipo de letrado y se va; si comienza con un dígito mayúscula o un dígito, el guión es parte del texto y se queda.
| roto a través de líneas | Resultado | ¿Cierto? |
|---|---|---|
self- + contained |
selfcontained |
sí |
re- + encode |
reencode |
sí |
client- + Side |
client-Side |
sí |
Osei- + Mensah |
Osei-Mensah |
sí |
COVID- + 19 |
COVID-19 |
sí |
2026- + 03 |
2026-03 |
sí |
well- + known |
wellknown |
prohibido |
La última fila no se puede arreglar por ninguna regla. "conocidos" rotos por su propio guión y "conocidos" rotos por la justificación producen el mismo par de líneas, y distinguirlos necesita un diccionario en lugar de un umbral. Lo mismo se aplica a "re-" y "codificar" arriba, lo que resulta correcto solo porque "reencode" no es una palabra que nadie escriba.
Las filas en el medio son las que cambiaron mientras se escribía esta guía. El estuche no roto utilizado para agregar un espacio junto con el guión mantenido, produciendo Osei- Mensah y 2026- 03. El guión pertenece a la palabra de cualquier manera, por lo que un espacio después de que nunca es correcto, y la prueba que afirmó la antigua salida se ha corregido junto con el comportamiento.
¿Cómo sabe que un PDF es un escaneo?
Contando caracteres por página, con un umbral lo suficientemente bajo como para que solo un escaneo genuino lo tropiece.
Un documento escaneado es un PDF lleno de imágenes. No hay una capa de texto, por lo que la extracción no devuelve nada, y la respuesta útil es decirlo en lugar de entregar un archivo vacío.
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
La línea es de doce caracteres por página. Eso no es cero a propósito: una página escaneada a menudo lleva un pequeño texto incidental del escáner, un número de página estampado por el software o una marca de agua. Un umbral en cero llamaría a esos documentos extraíbles y devolvería tres números de página.
Si su PDF es un escaneo, el siguiente paso es OCR, y El relato medido de lo que rompe OCR Tiene la versión medida de eso: inclinarse más allá de los tres grados le cuesta mucho más que la baja resolución.
¿Qué pasa con las columnas?
Se intercalan, y este es el límite que vale la pena conocer antes de confiar en cualquier extracción.
Las líneas se agrupan primero por la línea de base, por lo que se leen dos columnas de texto que se encuentran en las mismas posiciones verticales en lugar de hacia abajo. En una prueba de una página de informe de dos columnas, el resultado fue cada línea de la columna de la izquierda seguida inmediatamente por la línea que se encuentra junto a ella:
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
Cada palabra está presente. El orden es inútil y la salida se lee como una tontería fluida en lugar de un error.
Los periódicos académicos y los periódicos a menudo sobreviven a esto, porque la canaleta entre columnas es lo suficientemente amplia y regular para encontrar un paso de segmentación de página. Un informe con una barra lateral, una cita de extracción o una tabla de dos columnas con frecuencia no lo hace.
El enfoque confiable de un documento con columnas es verificar el primer párrafo de cada página. Si las oraciones están empalmadas, extraiga una columna a la vez recortando o acepte que está obteniendo una bolsa de palabras en lugar de una prosa.
¿Puedes sacar una tabla de un PDF?
Los valores, sí. La tabla, no, y la razón es que el PDF es casi seguro que tampoco contiene una tabla.
Una tabla en un PDF suele ser texto dibujado en coordenadas con algunas líneas dibujadas a su alrededor. Las líneas son operaciones de gráficos sin nada en el archivo que las conectan al texto que encierran, y las celdas no son celdas; son ejecuciones que pasan a alinearse. Entonces, un extractor ve filas de texto y las lee a través de:
Region Q2 Q3 EMEA 412 455 AMER 388 401 APAC 120 166
Cada figura sobrevivió. No se puede decir de esa línea a qué trimestre pertenece el trimestre 412 sin contar posiciones y conocer la forma del original.
El modo Preservar ayuda un poco, porque mantiene la estructura de filas como saltos de línea, lo que al menos te dice dónde terminó cada fila. Todavía no le da límites de columna.
Dos cosas funcionan. un PDF etiquetado, exportado cuidadosamente desde Word o InDesign con estructura de accesibilidad, lleva marcado de mesa real y se convierte correctamente; estos son una minoría y normalmente se nota porque el documento fue hecho por alguien a quien le importaba. Y para una tabla sin etiquetas que importa, copiarla en una hoja de cálculo a mano es más rápido que luchar contra cualquier herramienta, lo cual es una respuesta insatisfactoria que ha sobrevivido a todos los intentos de mejorarla.
¿Qué hacen los marcadores de página?
Mantienen los números de página, lo que importa más de lo que parece para cualquier cosa que cite o vuelva a consultar.
Con los marcadores activados, cada página está etiquetada y las páginas vacías todavía se cuentan:
--- Page 1 ---
First page text.
--- Page 2 ---
--- Page 3 ---
Third page text.
La página 2 no tenía texto extraíble y todavía aparece. Eso es deliberado: una hoja escaneada entre dos páginas de texto desaparecería y cada número de página posterior sería incorrecto en uno.
Con los marcadores desactivados, la página vacía no deja rastro y las dos páginas de texto simplemente se unen. Esa es la elección correcta cuando vas a pegar el texto en algún lugar y la paginación es un artefacto del PDF en lugar de parte del documento.
¿El texto extraído es el mismo que el original?
los personajes son. Todo lo demás se ha ido, y vale la pena leer la lista antes de confiar en la salida.
Negrita, cursiva, fuente, tamaño, color, tablas como tablas, imágenes, encabezados y pies de página a diferencia del texto del cuerpo, notas al pie de la letra de la oración que anotan, enlaces como enlaces y el orden de lectura de cualquier diseño complejo. Lo que obtienes son personajes y saltos de párrafo.
Para la mayoría de los usos, eso es exactamente correcto. Buscando, citando, contando, alimentando un guión, pegando en un editor: todos ellos quieren las palabras y nada más.
Donde muerde es un documento cuyo significado vive en parte en su formato. Un contrato donde un término definido es negrita, una especificación en la que una muestra de código se distingue por su fuente, un informe donde una nota al pie cambia lo que afirma una oración. El texto extraído lo aplana todo, y nada en la salida lo dice.
¿Deberías extraer a texto o convertir a Word?
Texto Si una máquina lo lee, palabra si una persona lo edita.
Ambos ejecutan el mismo reensamblaje, por lo que la calidad de las palabras es idéntica. La diferencia es solo lo que se escribe al final: un .txt archivo, o los mismos párrafos dentro de un zip de xml.
| Quieres | aprovechamiento |
|---|---|
| grep, buscar o alimentar un script | PDF a texto |
| contar palabras o analizar el contenido | PDF a texto |
| Edita la prosa y envíala | PDF a palabra |
| Mantenga el diseño exactamente | tampoco; obtener el archivo original |
La última fila es la que la gente llega con ganas, y ninguna extracción te la da. La guía de conversión de palabras Pasa por qué en detalle, con una tabla que vuelve como una sola línea de valores.
¿Qué tan grande es un PDF que puede manejar?
grande, y el límite es la pestaña en lugar del formato.
Todo el archivo se lee en la memoria de la página y se analiza allí, y el texto extraído se mantiene junto a él. Unos cientos de páginas de texto ordinario no son notables; un escaneo de mil páginas a alta resolución es una propuesta diferente porque las imágenes aparecen para el viaje aunque ninguna de ellas da texto.
Si un documento es lo suficientemente grande como para preocuparse, la señal es el análisis más que la extracción. Sacar el texto de una página ya analizada es barato; llevar el archivo al analizador es lo que toma el tiempo y la memoria.
¿Por qué se ejecuta esto en el navegador?
Porque un análisis no necesita servidor, y los archivos PDF que las personas extraen rara vez son públicos.
El archivo se lee desde su disco en la pestaña, se analiza allí con pdf.js compilado para la web, se vuelve a ensamblar en texto y se devuelve. Ninguna solicitud lleva el documento, no se almacena nada, y no hay copia en ninguna parte que se retenga en términos que no haya leído.
Los documentos en cuestión son contratos, declaraciones, cartas médicas, presentaciones judiciales, documentos bajo embargo, informes internos. La alternativa convencional carga todo el archivo a un servicio a cambio de una operación que es un análisis y alguna aritmética en coordenadas.
El costo es la memoria de la pestaña en archivos muy grandes y no hay OCR para los escaneos. Ambos son visibles antes de comenzar en lugar de descubrirlos después.
