PDF אינו מכיל שורות טקסט. הוא מכיל גליפים בקואורדינטות, והקווים שאתה יכול לראות הם דבר שהעין שלך מרכיבה. כל מחלץ צריך להרכיב גם אותם, משלושה מספרים לריצה וכמה ספים, וכמעט כל מוזרות בטקסט שחולץ נובעת מאחד מאותם ספים שמבצעים שיחה סבירה שבמקרה הייתה שגויה. זה שתיקנתי בזמן הכתיבה הפך שם משפחה שנשבר על פני שורה, "osei-" ואז "Mensah", ל- "osei-mensah": מקף שמר, כמתוכנן, עם רווח אחריו שמעולם לא שייך לשם.
TL;DR: החילוץ הוא הרכבה מחדש של הקו, וההגדרות החשובות אינן נראות. ריצות בטווח של חצי גופן אחד מהשני הם שורה אחת; פער אנכי של יותר מ-1.45 פעמים מהפער הרגיל של העמוד מתחיל פסקה; פער אופקי מתחת לרבע מגובה הגופן אינו רווח של מילים. לִברו� לִפְרו� להדביק בעורך ו לִשְ לטבלאות וקוד. קובץ PDF בממוצע מתחת ל-12 תווים דף הוא סריקה וצריך OCR במקום זאת, שהכלי אומר במקום לתת לך קובץ ריק. PDF לטקסט פועל בדפדפן.
מדוע PDF צריך "חילוץ" בכלל?
כי הטקסט בו נכתב כהוראות ציור, וקריאתן בחזרה אינה הפוך מכתיבתן.
זרם תוכן אומר "הגדר את הגופן הזה בגודל הזה, זז לכאן, הצג את הגליפים האלה". המפרט מתאר מודל ציור, ומפעילי הטקסט יושבים ליד אלה לציור קווים ומילוי צורות. אין אובייקט שמשמעותו שורה, פסקה או עמודה. מַה pdf.js Hands Back היא רשימה שטוחה של ריצות ממוקמות, כל אחת עם מחרוזת, X, Y, רוחב וגובה גופן, לפי סדר הצביעה של הדף. בדף בדיקה הסדר הזה אינו סדר קריאה, וריצה בודדת יכולה להיות תו אחד.
כל השאר הוא שחזור. שלושה ספים עושים כמעט הכל, ושווה לדעת כי הם מסבירים את הכשלים.
| סף | ערך | מה זה מחליט |
|---|---|---|
| סִכּוּן קוֹ | 0.5 x גובה גופן | האם שתי ריצות יושבות על אותו קו |
| יחס פסקה | 1.45 x הפער החציוני של העמוד | האם פער אנכי מתחיל פסקה חדשה |
| מְנַת ה | 0.25 x גובה גופן | האם פער אופקי הוא מרחב מילים |
כל אחד מהם הוא חלק מגודל הטקסט עצמו ולא מספר קבוע של נקודות, כך שהערת שוליים וכותרת באותו עמוד מקבלים סובלנות שונות, ומסמך המוגדר ב-9 נקודות מתנהג כמו קבוצה אחת ב-14.
מדוע יש צורך בסף מרחב המילים?
כי בלעדיה כל מילה מתפרקת.
מנתח PDF מפצל לעתים קרובות מילה בודדת על פני מספר ריצות ללא פער ביניהן, עבור גרעין או עבור שינוי גופן באמצע המילה. ההצטרפות פועלת על חלל ללא תנאי מסתובב filename לתוך f i l e n a m e. הצטרפות עם שום דבר בכלל מפרידה בין מילים נפרדות.
אז הכלל הוא פער רחב יותר מרבע מגובה הגופן נחשב כרווח, שהוא בערך רוחב של מרחב מילים אמיתי ברוב הגופנים. מתחת לזה, הריצות הן חלקים ממילה אחת.
זהו הסף שלעולם לא תבחין בו פועל ותבחין מיד בכשל, בדרך כלל על כותרות עם מרווח אותיות רחב, שבו כל אות רחוקה מספיק כדי להיראות כמו מילה.
מה ההבדל בין זרימה חוזרת לשימור?
זרימה מחדש נותנת לך פרוזה. שימור נותן לך את הדף.
הנה פסקה אחת שנפרשה על פני שלוש שורות, ואחריה אחרת, עוברות בשני המצבים:
--- 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 חבר את שלוש השורות למשפט אחד ושם שורה ריקה בין הפסקאות. שמור שמר כל שורה עם פריצת שורה שהדף היה מונח איתה, כולל זה שבאמצע משפט.
| השתמש ב-Reflow | השתמש ב-PRESE |
|---|---|
| הדבקה במסמך או בעורך | טבלה, כאשר העמודות הן התוכן |
| ציטוט קטע | רישום קוד, כאשר מעברי שורות הם תחביר |
| הזנת טקסט לסקריפט או לדגם | בלוק כתובת או טופס |
| כל דבר שתפרמט מחדש בכל מקרה | כל דבר שבו הפריסה נושאת משמעות |
זרימה מחדש היא ברירת המחדל והנכונה רוב הזמן. הטעות שאנשים עושים היא להשתמש בו על שולחן, שבו חיבור השורות לפרוזה הורס את המבנה היחיד שהיה לשולחן.
איך הוא מחליט היכן מסתיימת פסקה?
על ידי השוואת כל פער אנכי מול הפער האופייני של העמוד עצמו.
כל פער בין קווים עוקבים נמדד, החציון נלקח, וכל פער של יותר מ-1.45 פעמים מהחציון מתחיל פסקה חדשה. אז דף ברווח בודד לא חוזר כפסקה אחת בכל שורה, ודף ברווח כפול לא חוזר כבלוק בודד.
שימוש בחציון ולא במספר קבוע הוא מה שגורם לזה לעבוד על פני מסמכים עם מוביל שונה. זה גם המקום שבו הוא נכשל: לדף עם מעט מאוד שורות אין חציון אמין. עמוד שער, הערה קצרה או גיליון שער חוזרים לעתים קרובות כפסקה אחת, שהיא אותה חולשה המילה המרת יש, מאותה סיבה.
התיקון הוא ידני ומהיר. הפסקות פסקאות ברורות לקורא באופן שהם לא עד לסף.
מה קרה למילים שנשברו על פני קווים?
הם מחוברים מחדש, והכלל שלגביו מקפים להפיל הוא ניחוש שהוא נכון לעתים קרובות יותר מאשר לא.
כאשר שורה מסתיימת במקף, השאלה היא האם ה-Typeter שם אותו שם כדי לשבור מילה או שהוא שייך למילה. הכלל המשמש כאן הוא מקרה: אם השורה הבאה מתחילה באותיות קטנות, המקף היה ה-TypeSetter's and goes; אם הוא מתחיל באותיות גדולות או בספרה, המקף הוא חלק מהטקסט ונשאר.
| שבור על פני קווים | תוצאה | נכון? |
|---|---|---|
self- + contained |
selfcontained |
כֵּ |
re- + encode |
reencode |
כֵּ |
client- + Side |
client-Side |
כֵּ |
Osei- + Mensah |
Osei-Mensah |
כֵּ |
COVID- + 19 |
COVID-19 |
כֵּ |
2026- + 03 |
2026-03 |
כֵּ |
well- + known |
wellknown |
לֹא |
השורה האחרונה אינה ניתנת לתיקון בשום כלל. "ידוע" שבור במקף ו-"ידוע" שבור על ידי הצדקה מייצר את צמד השורות הזהה, וההפרשה צריכה להיפרד צריך מילון ולא סף. אותו הדבר חל על "re-" ו-"קידוד" לעיל, וזה במקרה צודק רק בגלל ש-"reencode" היא לא מילה שמישהו כותב.
השורות באמצע הן אלו שהשתנו בזמן כתיבת המדריך הזה. המארז ללא הפסקה המשמש להוספת רווח יחד עם המקף השמור, המייצר Osei- Mensah ו 2026- 03. המקף שייך למילה כך או כך, כך שרווח אחריו לעולם אינו נכון, והבדיקה שקבעה את הפלט הישן תוקנה יחד עם ההתנהגות.
איך הוא יודע ש-PDF הוא סריקה?
על ידי ספירת תווים לעמוד, עם סף נמוך מספיק כדי שרק סריקה אמיתית תפעיל אותו.
מסמך סרוק הוא PDF מלא בתמונות. אין שכבת טקסט, אז החילוץ לא מחזיר כלום, והתגובה השימושית היא לומר זאת במקום למסור קובץ ריק.
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
השורה היא שתים עשרה תווים בעמוד. זה לא אפס בכוונה: דף סרוק נושא לעתים קרובות טקסט מקרי קטן מהסורק, מספר עמוד המוטבע על ידי התוכנה או סימן מים. סף באפס יקרא למסמכים אלה הניתנים לחילוץ ומחזיר שלושה מספרי עמודים.
אם ה-PDF שלך הוא סריקה, השלב הבא הוא OCR, ו החשבון המדוד של מה שובר את OCR יש את הגרסה הנמדדת של זה: הטיה מעבר לשלוש מעלות עולה לך הרבה יותר ממה שרזולוציה נמוכה עושה.
מה לגבי עמודות?
הם משתלבים, וזה הגבול שכדאי לדעת לפני שאתה סומך על מיצוי כלשהו.
השורות מקובצות לפי קו הבסיס תחילה, כך ששתי עמודות טקסט היושבות באותם מיקומים אנכיים נקראות לרוחב ולא למטה. במבחן של דף דיווח בן שתי עמודות התוצאה הייתה כל שורה בעמודה השמאלית ואחריה מיד השורה שלצדה:
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
כל מילה קיימת. הסדר חסר תועלת, והפלט נקרא כשטות שוטפת ולא כשגיאה.
עיתונים ועיתונים אקדמיים שורדים את זה לעתים קרובות, מכיוון שהמרזב בין העמודות הוא רחב וקבוע מספיק כדי ששלב פילוח עמודים ניתן למצוא. דוח עם סרגל צד, ציטוט משיכה או טבלה של שתי עמודות לא עושה זאת.
הגישה האמינה במסמך בעל עמודה היא לבדוק את הפסקה הראשונה של כל עמוד. אם המשפטים מחוברים, חלץ עמודה אחת בכל פעם על ידי חיתוך, או קבל את זה שאתה מקבל שקית מילים ולא פרוזה.
האם אתה יכול להוציא טבלה מ-PDF?
הערכים, כן. הטבלה, לא, והסיבה היא שה-PDF כמעט בוודאות גם לא מכיל טבלה.
טבלה ב-PDF היא בדרך כלל טקסט מצויר בקואורדינטות עם כמה קווים מצוירים סביבו. השורות הן פעולות גרפיות בלי שום דבר בקובץ שמחבר אותן לטקסט שהן מקיפות, והתאים אינם תאים; אלו ריצות שבמקרה עומדות בתור. אז מחלץ רואה שורות של טקסט וקורא אותן על פני:
Region Q2 Q3 EMEA 412 455 AMER 388 401 APAC 120 166
כל דמות שרדה. אתה לא יכול לדעת מאותו שורה לאיזה רבע 412 שייך מבלי לספור עמדות ולדעת את צורת המקור.
מצב שימור עוזר מעט, כי הוא שומר על מבנה השורה כשבירות שורות, מה שלפחות אומר לך היכן הסתיימה כל שורה. זה עדיין לא נותן לך גבולות עמודים.
שני דברים אכן עובדים. מוּבח מתויג pdf, מיוצא בקפידה מ-Word או InDesign עם מבנה נגישות, נושא סימון שולחן אמיתי וממיר כמו שצריך; אלה הם מיעוט ובדרך כלל ניתן לדעת כי המסמך נעשה על ידי מישהו שאכפת לו. ולטבלה לא מתויגת זה חשוב, העתקתו לגיליון אלקטרוני ביד היא מהירה יותר מאשר להילחם בכל כלי, שזו תשובה לא מספקת ששרדה כל ניסיון לשפר אותה.
מה עושים סמני הדפים?
הם שומרים את מספרי העמודים, וזה חשוב יותר ממה שזה נשמע לכל דבר שתצטט או תפנה אליו.
עם סמנים על, כל עמוד מסומן ודפים ריקים עדיין נספרים:
--- Page 1 ---
First page text.
--- Page 2 ---
--- Page 3 ---
Third page text.
לעמוד 2 לא היה טקסט שניתן לחלץ ועדיין מופיע. זה מכוון: גיליון סרוק בין שני דפי טקסט היה נעלם וכל מספר עמוד מאוחר יותר יהיה שגוי באחד.
עם סמנים כבויים, הדף הריק לא משאיר עקבות ושני דפי הטקסט פשוט מצטרפים. זו הבחירה הנכונה כאשר אתה הולך להדביק את הטקסט איפשהו והעימוד הוא חפץ של ה-PDF ולא חלק מהמסמך.
האם הטקסט שחולץ זהה למקור?
הדמויות הן. כל השאר נעלם, והרשימה שווה קריאה לפני שאתה מסתמך על הפלט.
מודגש, נטוי, גופן, גודל, צבע, טבלאות כטבלאות, תמונות, כותרות עליונות ותחתונות להבדיל מטקסט גוף, הערות שוליים להבדיל מהמשפט שהם מציינים, קישורים כקישורים וסדר הקריאה של כל פריסה מורכבת. מה שאתה מקבל זה תווים והפסקות פסקה.
לרוב השימושים זה בדיוק נכון. חיפוש, ציטוט, ספירה, הזנת תסריט, הדבקה בעורך: כל אלה רוצים את המילים ותו לא.
Where It Bites הוא מסמך שמשמעותו חיה בחלקה בעיצובו. חוזה שבו מונח מוגדר הוא מודגש, מפרט שבו דגימת קוד נבדלת בגופן שלו, דוח שבו הערת שוליים משנה את מה שמשפט טוען. טקסט שחולץ משטח את כולו, ושום דבר בפלט לא אומר זאת.
האם לחלץ לטקסט או להמיר ל-Word?
טקסט אם מכונה תקרא אותו, מילה אם אדם יערוך אותו.
שניהם מריצים את אותה הרכבה מחדש, כך שאיכות המילים זהה. ההבדל הוא רק מה שנכתב בסוף: .txt קובץ, או אותן פסקאות בתוך zip של xml.
| אתה רוצה ל | להשתמש |
|---|---|
| לגרפ, לחפש או להזין סקריפט | PDF לטקסט |
| לספור מילים או לנתח את התוכן | PDF לטקסט |
| ערוך את הפרוזה ושלח אותה הלאה | pdf למילה |
| שמור על הפריסה בדיוק | גם לא; קבל את הקובץ המקורי |
השורה האחרונה היא זו שאנשים מגיעים רוצים, ושום חילוץ לא נותן לך אותה. מדריך המרת המילים עובר על למה בפירוט, עם טבלה שחוזרת כקו ערכים בודד.
כמה גדול PDF הוא יכול להתמודד?
גדול, והגבול הוא הכרטיסייה ולא הפורמט.
הקובץ כולו נקרא לזיכרון העמוד ומנותח שם, ולצידו הטקסט שחולץ. כמה מאות עמודים של טקסט רגיל אינם ראויים לציון; סריקה של אלף עמודים ברזולוציה גבוהה היא הצעה שונה מכיוון שהתמונות מגיעות לנסיעה למרות שאף אחת מהן לא מניבה טקסט.
אם מסמך גדול מספיק כדי לדאוג לגביו, האות הוא הניתוח ולא החילוץ. שליפת הטקסט מדף שכבר מנותח זה זול; הכנסת הקובץ למנתח זה מה שלוקח את הזמן והזיכרון.
למה זה פועל בדפדפן?
מכיוון שניתוח אינו צריך שרת, וקובצי ה-PDF שאנשים מחלצים הם לעתים רחוקות ציבוריים.
הקובץ נקרא מהדיסק שלך לתוך הכרטיסייה, מנותח שם עם pdf.js הידור עבור האינטרנט, מורכב מחדש לטקסט ומועבר בחזרה. אף בקשה לא נושאת את המסמך, שום דבר לא מאוחסן, ואין עותק בשום מקום לשמירה בתנאים שלא קראת.
המסמכים המדוברים הם חוזים, הצהרות, מכתבים רפואיים, הגשת בית משפט, מסמכים תחת אמברגו, דוחות פנימיים. האלטרנטיבה המקובלת מעלה את כל הקובץ לשירות בתמורה לפעולה שהיא ניתוח וקצת חשבון על קואורדינטות.
העלות היא הזיכרון של ה-TAB בקבצים גדולים מאוד, וללא OCR לסריקות. שניהם גלויים לפני שתתחיל ולא התגלו לאחר מכן.
