Wyodrębnianie tekstu z plików PDF
Odczytaj warstwę tekstową pliku PDF bezpośrednio, a dla stron bez niej użyj OCR.
Dodaj plik PDF i wybierz zakres stron. Każda strona jest sprawdzana pod kątem warstwy tekstowej: jeśli istnieje, tekst jest wyodrębniany bez OCR; w przeciwnym razie strona jest renderowana jako obraz do rozpoznania.
Pozostaw zakres pusty, aby przetworzyć wszystkie strony. Można łączyć zakresy i pojedyncze strony, na przykład 1-3,5. Numeracja stron zaczyna się od 1 i musi mieścić się w liczbie stron dokumentu.
Edytuj wyniki stron oraz skopiuj lub zapisz jako TXT wszystkie strony albo wybraną stronę. Kolejność warstwy tekstowej i informacje o czcionkach mogą wpływać na odstępy i kolejność odczytu. Narzędzie nie odtwarza struktury tabel.
Jak korzystać
- Wybierz plik PDF i sprawdź liczbę stron.
- Opcjonalnie wpisz zakres, na przykład 1-3,5, i rozpocznij wyodrębnianie.
- Przejrzyj każdą stronę i wybierz wyniki do skopiowania.
Co sprawdzić
Wybrany tryb OCR nie jest stosowany do stron z warstwą tekstową. Obecnie nie ma opcji pominięcia tej warstwy i wymuszenia OCR.
Najczęściej zadawane pytania
Czy pliki PDF z tekstem wymagają modelu?
Strony z warstwą tekstową są wyodrębniane bezpośrednio za pomocą pdfjs-dist. Strony bez niej wymagają silnika OCR i danych wybranego języka.
Czy można zostawić zakres stron pusty?
Tak. Pusty zakres oznacza wszystkie strony. Nieprawidłowy zakres jest zgłaszany przed rozpoczęciem przetwarzania.
Czy plik PDF może łączyć strony zeskanowane i tekstowe?
Warstwa tekstowa jest sprawdzana osobno dla każdej strony. Tylko strony bez niej przechodzą przez OCR.