Nem tudsz szöveget másolni PDF-ből? Ez az oka, és így kapod meg a szöveget

Ha nem tudsz kijelölni szavakat egy PDF-ben, valószínűleg az oldalak szöveg helyett szövegről készült képek, szkennelés vagy fénykép. Húzd a fájlt a [[tool:pdf-to-text]] eszközbe: ha talál szavakat, onnan másold ki őket. Ha azt írja, hogy nem talált szöveget, az oldalakhoz OCR (optikai karakterfelismerés) kell, ami a képről olvassa le a betűket. Mindkét lépés a böngésződben fut, a fájl pedig soha nem kerül feltöltésre.

Szöveges PDF vagy szkennelt PDF

A szöveges PDF minden betűt karakterként tárol, betűtípussal és pozícióval az oldalon. A szkennelt PDF minden oldalt egyetlen képként tárol, ahogy egy fénykép is működik, ezért nincs mit kijelölni. Vannak fájlok, amelyek a kettőt keverik: gépelt oldalak szkennelt aláírással, vagy szkennelt űrlap gépelt címmel.

Próbáld ki a megtekintőben: jelölj ki egy szót. Ha a kijelölés a betűk mentén halad, a szöveg ott van. Ha csak az egész oldalt tudod kijelölni, vagy egyáltalán nem tudsz semmit, akkor az oldal kép.

Amit látsz	Ez általában azt jelenti	Mit tegyél
A szavak kijelölhetők és másolhatók	Szöveges PDF	Másold közvetlenül, vagy használd a PDF szöveggé alakítása eszközt az egész fájlhoz
Semmi nem jelölhető ki, és a PDF szöveggé alakítása sem talál szöveget	Szkennelt vagy fényképezett oldalak	Alakítsd át az oldalakat képpé, majd futtass OCR-t
A szavak kijelölhetők, de furcsa jelekként másolódnak	A betűtípusok nem megfelelően képezik le a betűket karakterekre	Próbáld a PDF szöveggé alakítása eszközt; ha az eredmény még mindig torz, használj OCR-t
A megtekintő letiltja a kijelölést	A szerző által beállított másolási korlátozás	Olvasd el a korlátozásokról szóló részt

Miért nem engedi a PDF a másolást

Három dolog akadályozza a másolást, és mindegyikre más a megoldás:

• Az oldalak szkennelt képek. A szöveg egyáltalán nincs benne a fájlban, ezért csak OCR-rel lehet visszanyerni.
• A fájl megnyitásához jelszó kell. Addig nem olvasható, amíg fel nem oldod a jelszavaddal abban a programban, amelyben általában megnyitod. Az itt található eszközök nem próbálnak zárolt fájlt megnyitni.
• A szerző másolási korlátozást állított be. Egyes PDF-ek azt kérik a megtekintőktől, hogy ne engedjék a másolást vagy szerkesztést. Ez a szerző döntése, a fixmint nem kerüli meg. Ha jogosult vagy rá, kérj korlátozás nélküli példányt, vagy exportálj egyet abból a programból, amelyben a fájl készült.

Szöveg kinyerése szöveges PDF-ből

1. Húzd a PDF-et a PDF szöveggé alakítása eszköz mezőjébe, és várd meg, amíg minden oldalt beolvas.
2. Ellenőrizd a megjelenő oldal- és szószámot.
3. Pipáld be az Oldaljelölők opciót, ha minden oldalt jelölni szeretnél. Egyszerű szöveghez hagyd kikapcsolva.
4. Másold ki a szöveget, vagy töltsd le .txt fájlként.

Az oszlopok, táblázatok és fejlécek más sorrendben jöhetnek ki, mert a PDF azt tárolja, hol van kirajzolva az egyes szövegrész, nem azt, hogy melyik bekezdéshez tartozik. Ha minden sor kemény sortöréssel végződik, olvasd el a miért törik minden sornál a PDF-ből másolt szöveg cikket, majd illeszd be a szöveget a Szöveg javítása beillesztés után eszközbe, amely bekezdésenként összefűzi a sorokat.

Szöveg kinyerése szkennelt PDF-ből

A szkennelt oldalakhoz két lépés kell: minden oldalt képként kell kirajzolni, majd a szöveget ki kell olvasni minden képből. Ugyanez a felismerési lépés működik képernyőképpel vagy fényképpel is, ahogy itt leírjuk.

1. Húzd a PDF-et a PDF átalakítása JPG-be eszközre. Szöveghez válaszd a PNG-t, mert az megtartja a betűk éles széleit, apró betűkhöz pedig a 300 DPI-t. Csak a szükséges oldalakat jelöld ki, vagy hagyd az összes oldalt.
2. Töltsd le az oldalakat. Mindegyik külön képként mentődik, vagy az összes ZIP-ben érkezik.
3. Nyisd meg a Kép szöveggé alakítása eszközt, és húzd be az első oldalt. A szavak az oldal beolvasása után jelennek meg. A motor által bizonytalannak ítélt szavak pirossal jelölődnek.
4. Ismételd meg minden oldalnál sorrendben. Pipáld be a Sorok összefűzése bekezdésekké opciót a sortörések eltávolításához, majd másold ki az eredményt.
5. Mielőtt bármire használnád, ellenőrizd az összes számot, nevet és dátumot az oldallal összevetve.

A Kép szöveggé alakítása egyszerre egy képet olvas be, és csak angolul. Az eszköz indításkor betölti az OCR-motort és annak angol nyelvi modelljét a webhelyről, a kép pedig ezután a saját eszközödön kerül feldolgozásra. Egy nagy vagy lassú oldal eltarthat egy ideig, ezért várd meg az eredményt, mielőtt másolnál. Az éles, egyenes, egyenletesen megvilágított oldalak adják a legjobb eredményt. Vágd le egy fénykép szélét, és tartsd a kamerát merőlegesen az oldalra.

Gyakori hibák

• A szövegoldalak JPG-ként mentése. A JPG elmossa a betűk széleit, ami rontja a pontosságot. Csak szöveget tartalmazó oldalakhoz a PNG a jobb választás.
• Az OCR ellenőrzés nélküli elfogadása. A felismerés nem tökéletes. Olvasd össze a számokat és neveket az oldallal.
• Táblázatok megőrzésének elvárása. Az OCR sorokat olvas, ezért a táblázat felsorolásnak tűnhet. Hasonlítsd össze az eredményt az oldallal.
• OCR használata kézírásra. A Kép szöveggé alakítása nyomtatott szövegre készült. A kézírást általában rosszul olvassa, ezért ezeket a részeket kézzel írd át.

Gyakori kérdések

Feltölti az OCR a szkennelt oldalaimat?

Nem. Az oldalt a böngésződ olvassa be, a képet soha nem küldi szervernek. A webhely juttatja el a böngésződbe az OCR-motort és annak angol nyelvi modelljét, a felismerés pedig ott történik.

Mi van, ha csak néhány oldalon nincs szöveg?

Kapcsold be az Oldaljelölők opciót a PDF szöveggé alakítása eszközben. Az az oldal, amelyik a jelölése alatt nem mutat semmit, szkennelt, a gépelt oldalak pedig megmutatják a szövegüket. Csak ezeket az oldalakat vidd át a PDF átalakítása JPG-be és a Kép szöveggé alakítása eszközön, majd tedd vissza az eredményeket a helyükre.

Miért törik minden sornál a kimásolt szöveg?

A PDF minden nyomtatott sort külön tárol, ezért a másolás megtartja ezeket a törésket. Használd a Szöveg javítása beillesztés után eszközt, hogy bekezdésenként összefűzd a sorokat. A sortörési útmutató elmagyarázza, miért történik ez.

Olvassa a Kép szöveggé alakítása a kéziratot vagy más nyelveket?

Latin betűs, angol nyelvű nyomtatott szövegre készült, a kéziratot általában rosszul olvassa. Más ábécék, például az arab, a kínai vagy a cirill nem támogatottak.