PDF にはテキスト行が含まれていません。 座標にグリフが含まれており、目に見える線は目で組み立てられたものです。 どの抽出も、実行ごとに 3 つの数字と 2 つのしきい値からそれらを組み立てる必要があります。抽出されたテキストのほとんどすべての奇妙さは、これらのしきい値の 1 つにまでさかのぼって、たまたま間違った呼び出しを行っています。 これを書いているときに修正したものは、「sei-」から「mensah」という姓が「soe-mensah」に変わり、意図したとおり、意図したとおり、そこに属していないスペースを付けて保管していました。
tl;dr: 抽出はライン再組み立てであり、重要な設定は表示されません。 互いにフォントの高さの半分以内で実行され、1 行の縦のギャップが通常の 1.45 倍を超える場合、段落が始まる、フォントの高さの 4 分の 1 の下の水平ギャップは単語空間ではありません。 選ぶ リフロー エディターに貼り付け、 保存する テーブルとコードの場合。 1 ページの平均で 12 文字未満の PDF はスキャンであり、代わりに OCR が必要です。このツールは、空のファイルを渡すのではなく、それを示します。 PDF からテキストへ ブラウザで実行されます。
PDF には、「抽出」が必要なのはなぜですか?
テキストは描画指示として書かれていて、それらを読み返すことはそれらを書くことの逆ではありません。
コンテンツ ストリームには、「このフォントをこのサイズに設定して、ここに移動して、これらのグリフを表示する」と表示されます。 仕様 ペイント モデルについて説明し、テキスト演算子は線を引いて形を埋めるためのモデルの横に配置されます。 行、段落、または列のオブジェクトを意味するオブジェクトはありません。 なに? pdf.js Hands Back は、ページが描画された順序で、それぞれに文字列、X、A Y、幅、およびフォントの高さを備えた、配置された実行のフラット リストです。 テスト ページでは、順序が読み取られておらず、1 つの実行が 1 文字になることができます。
それ以外はすべて再建です。 3 つのしきい値でほぼすべてが実行されます。失敗を説明するため、知っておく価値があります。
| しきい値 | 値 | それが決めること |
|---|---|---|
| 線の許容差 | 0.5 × フォントの高さ | 2 つのランが同じライン上にあるかどうか |
| 段落率 | 1.45 × ページの中央値のギャップ | 垂直ギャップが新しい段落を開始するかどうか |
| スペース比率 | 0.25 × フォントの高さ | 水平ギャップが単語空間かどうか |
それぞれが、固定数のポイントではなく、テキストの独自のサイズの一部であるため、同じページ上の脚注と見出しは異なる許容誤差を取得し、9 点に設定されたドキュメントは 14 の 1 つのセットのように動作します。
なぜ単語空間のしきい値が必要なのですか?
それがなければ、すべての言葉がバラバラになるからです。
PDF パーサーは、複数の実行で 1 つの単語を、カーニングまたは単語の途中でカーニングまたはフォント変更するために、それらの間にギャップがないことがよくあります。 無条件に回転するスペースでの結合は filename に f i l e n a m e。 何もないものを結合すると、単語が別々に実行されます。
したがって、ルールは、フォントの高さの 4 分の 1 よりも広いギャップであり、ほとんどの書体の実際の単語空間の幅であるスペースとしてカウントされます。 その下で、実行は 1 つの単語の一部です。
これは、作業に気付かないしきい値であり、通常、文字の間隔が広い見出しセットで、すべての文字が単語のように見えるほど離れている、見出しセットで、すぐに失敗に気付くでしょう。
reflow と preserve はどう違いますか?
リフローはあなたに散文を与えます。 Preserve はページを提供します。
3 行に並べられた 1 つの段落と、その後に続く別の段落は、両方のモードで実行されます。
--- 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.
リフローは 3 行を 1 つの文に結合し、段落の間に空白行を置きました。 文章の途中の行を含め、ページがレイアウトされたすべての行を維持してください。
| リフローを使用する | 保存する |
|---|---|
| ドキュメントまたはエディターに貼り付ける | 列がコンテンツである表 |
| 一節を引用する | 改行が構文のコードリスト |
| スクリプトまたはモデルにテキストをフィードする | アドレス ブロックまたはフォーム |
| とにかく再フォーマットするものは何でも | レイアウトが意味を持つものなら何でも |
リフローがデフォルトで、ほとんどの場合正しいものです。 人々が犯す間違いは、行を Prose に結合すると、テーブルが持っていた唯一の構造を破壊するテーブルでそれを使用することです。
段落の終わりはどのように決定するのですか?
ページのそれぞれの典型的なギャップと垂直ギャップを比較することによって。
連続する線間のすべてのギャップが測定され、中央値が取得され、中央値の 1.45 倍を超えるギャップが新しい段落を開始します。 したがって、1 行のページは 1 行ごとに 1 段落として返されず、2 重のページは 1 つのブロックとして戻ってくることはありません。
固定数ではなく中央値を使用することが、異なるリードを持つドキュメント全体でこれを機能させるのです。 失敗するところでもあります。行数が少ないページには信頼できる中央値がありません。 タイトル ページ、短いメモ、またはカバー シートが、1 つの実行中の段落として戻ってくることがよくありますが、これは同じ弱点です。 言葉の変換 持っています、同じ理由で。
修正は手動で迅速です。 段落の区切りは、しきい値に達していないという点で、読者には明らかです。
言葉を越えて言葉が壊れてどうしたの?
それらは再結合され、ハイフンを削除するルールは、多くの場合正しい推測です。
行がハイフンで終わるとき、問題は、タイプセッターが単語を壊すためにそこに置いたのか、それとも単語に属しているかということです。 ここで使用されるルールは大文字小文字です。次の行が小文字で始まる場合、ハイフンは型セッターであり、大文字または数字で始まる場合、ハイフンはテキストの一部であり、そのままになります。
| 行を越えて壊れている | 結果 | でしょ? |
|---|---|---|
self- + を contained |
selfcontained |
はいって |
re- + を encode |
reencode |
はいって |
client- + を Side |
client-Side |
はいって |
Osei- + を Mensah |
Osei-Mensah |
はいって |
COVID- + を 19 |
COVID-19 |
はいって |
2026- + を 03 |
2026-03 |
はいって |
well- + を known |
wellknown |
いやー |
最後の行は、どのルールでも修正できません。 “よく知られている” はそれ自体のハイフンで壊れており、「よく知られている」 正当化によって破られている 同じ線のペアを生成し、それらを区別するためには、しきい値ではなく、辞書が必要になります。 同じことが上記の「re-」および「encode」にも当てはまります。これは、「reencode」が誰かが書く言葉ではないため、たまたま正しいものです。
中央の行は、このガイドの作成中に変更された行です。 非破損ケースは、保持ハイフンとともにスペースを追加し、生成します。 Osei- Mensah あんど 2026- 03。 ハイフンはどちらの方法でも単語に属しているため、その後のスペースは正しくありません。古い出力をアサートしたテストは動作とともに修正されています。
PDF がスキャンであることはどのように認識されますか?
1 ページあたりの文字数を数え、本物のスキャンだけがそれをトリップするほどのしきい値を設定します。
スキャンしたドキュメントは、画像でいっぱいの PDF です。 テキスト層がないため、抽出は何も返しません。空のファイルを渡すよりも、そう言って役に立つと便利です。
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
行は 1 ページ 12 文字です。 スキャンされたページには、スキャナーからの小さな付随テキスト、ソフトウェアによってスタンプされたページ番号、または透かしがよくあることがよくあります。 ゼロのしきい値は、これらのドキュメントを抽出可能と呼び、3 つのページ番号を返します。
PDF がスキャンの場合、次のステップは OCR です。 OCR を壊すものの測定された説明 測定されたバージョンはあります。3 度を超える傾きは、低解像度よりもはるかに高くなります。
列はどうですか？
それらはインターリーブします。これは、抽出を信頼する前に知っておく価値のある限界です。
線は最初にベースラインでグループ化されるため、同じ垂直位置にある 2 つのテキストの列が下ではなく、下に読み取られます。 2 列のレポート ページのテストでは、左の列のすべての行の後に、すぐ横の行が続きます。
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
すべての言葉が存在します。 順序は役に立たず、出力はエラーとしてではなく、流暢なナンセンスとして読み取られます。
学術論文や新聞は、多くの場合、これを生き残る。コラム間のガターは広く、ページのセグメンテーション ステップで見つけるのに十分な規則性があるからです。 サイドバー、プル クォート、または 2 列のテーブルを含むレポートは、頻繁に使用されません。
列に並んだドキュメントで信頼できるアプローチは、各ページの最初の段落を確認することです。 文がスプライスされている場合は、トリミングで一度に 1 つの列を抽出するか、散文ではなく単語袋を取得していることを受け入れます。
PDF から表を取得できますか?
値、はい。 テーブル、いいえ、その理由は、PDF にもテーブルがほとんど含まれていないためです。
PDF 内の表は、通常、座標で描画され、その周囲に線が引かれた文字です。 行はグラフィック操作で、ファイル内に囲んでいるテキストに接続されており、セルはセルではなく、たまたま整列した実行です。 したがって、抽出器はテキストの行を見て、それらを横切って読み取ります。
Region Q2 Q3 EMEA 412 455 AMER 388 401 APAC 120 166
すべての人物が生き残った。 412 のクォーターがどの位置に属しているかを、その線からは、位置を数えたり、元の形を知らずに見分けることはできません。
行構造を改行として保持するため、保存モードは少し役立ちます。これにより、少なくとも各行がどこで終了したかがわかります。 それでも列の境界はありません。
2 つのことが機能します。 あ タグ付けされた PDF、Word または InDesign から慎重にエクスポートされ、アクセシビリティ構造を備えた実際のテーブル マークアップを実行し、適切に変換します。これらは少数派であり、通常は、ドキュメントが気にかけていた人が作成したものであるため、そのドキュメントは、少数派であり、通常はわかります。 そして重要なタグのない表の場合、それをスプレッドシートに手作業でコピーする方が、どのツールと戦ってもうまくいかないので、それを改善しようとするあらゆる試みを生き延びた、満足のいく答えではありません。
ページマーカーは何をしますか?
それらはページ番号を保持します。これは、引用したり参照したりするものすべてに考えられるよりも重要です。
マーカーをオンにすると、各ページにラベルが付けられ、空のページは引き続きカウントされます。
--- Page 1 ---
First page text.
--- Page 2 ---
--- Page 3 ---
Third page text.
ページ 2 には抽出可能なテキストがなく、表示されます。 2 つのテキスト ページの間でスキャンされたシートは、そうでなければ消え、後ですべてのページ番号が 1 つ間違ってしまうでしょう。
マーカーをオフにすると、空のページには痕跡が残らず、2 ページのテキストが結合されます。 テキストをどこかに貼り付ける場合、ページネーションがドキュメントの一部ではなく、PDF のアーティファクトである場合、これは正しい選択です。
抽出されたテキストは元のテキストと同じですか?
キャラクターは。 それ以外はすべてなくなっており、出力に頼る前にリストを読む価値があります。
太字、斜体、フォント、サイズ、色、表は本文テキストとは異なり、注釈は別として脚注、リンクとしてリンク、リンクとしてのリンク、および複雑なレイアウトの読み順。 あなたが得るのは、文字と段落の区切りです。
ほとんどの用途では、それはまったく正しいです。 検索、引用、数え、スクリプトのフィード、エディターへの貼り付け: 全員が単語を欲しがっています。
噛み付くのは、その意味の部分的にそのフォーマットに影響を与えるドキュメントです。 定義された用語が太字のコントラクト、コード サンプルがフォントで区別される仕様、脚注が文の主張を変更するレポート。 抽出されたテキストはすべてを平坦化し、出力には何もそうは言いません。
テキストに抽出するか、Word に変換する必要がありますか?
テキスト マシンが読み取るかどうか、人が編集するかどうかの単語。
どちらも同じ再組み立てを実行するため、単語の品質は同じです。 違いは最後に書かれるものだけです: a .txt ファイル、または XML の zip 内の同じ段落。
| そうしたいのです | 使い |
|---|---|
| grep、検索、またはスクリプトのフィード | PDF からテキストへ |
| 単語を数えるか、内容を分析する | PDF からテキストへ |
| 散文を編集して送信する | PDF から Word |
| レイアウトを正確に保つ | どちらでもない; 元のファイルを取得する |
最後の行は、人々が欲しがっている 1 つであり、抽出はあなたに与えられません。 ワード変換ガイド なぜ、1 行の値として戻ってくるのかを詳しく説明します。
どのくらいの大きさの PDF を処理できますか?
大きく、制限は形式ではなくタブです。
ファイル全体がページ メモリに読み込まれ、そこに解析され、抽出されたテキストがその横に保持されます。 数百ページの普通のテキストは目立たない。高解像度での 1000 ページのスキャンは、どの画像もテキストを生成しない場合でも、画像が表示されるため、別の提案になります。
ドキュメントが心配するほど大きい場合、シグナルは抽出ではなく解析になります。 すでに解析されたページからテキストを取り出すのは安価です。ファイルをパーサーに取り込むには、時間とメモリが必要です。
なぜこれがブラウザで実行されるのですか?
解析にはサーバーは必要なく、PDF が抽出する PDF はほとんど公開されません。
ファイルはディスクからタブに読み込まれ、そこに PDF.js を Web 用にコンパイルして解析し、テキストに再組み立てして返します。 リクエストにはドキュメントが含まれておらず、何も保存されません。また、読んでいない条件の下で保持するコピーもどこにもありません。
問題の文書は、契約書、明細書、医療書簡、裁判所への提出書類、禁輸措置の書類、内部報告書です。 従来の代替案では、解析と座標の演算と引き換えに、ファイル全体をサービスにアップロードします。
コストは、非常に大きなファイルのタブのメモリであり、スキャン用の OCR はありません。 両方とも、開始前に発見されるのではなく、開始前に表示されます。
