Odebrat text PDF

Vezměme dva soubory PDF: jeden vytvořený textovým procesorem, například MS Word, a jeden naskenovaný dokument. Oba soubory končí příponou .pdf. Tyto soubory však nejsou stejné. Pokud otevřete soubor PDF vytvořený textovým procesorem, můžete stisknout klávesy CTRL + F, zadat hledaná slova a software pro prohlížení PDF zvýrazní výsledky dokumentu.
Když však skenujete papírové dokumenty, zkuste vybrat nebo vyhledat text v PDF vytvořeném softwarem skeneru, není to však možné. Je to proto, že naskenovaný dokument PDF není založen na textu; je to založené na obrázku. Tento typ PDF se nazývá a PDF rastr a brzy se stane standardním formátem pro ukládání, přepravu a výměnu naskenovaných dokumentů
A pak existují vektorové PDF, často vytvořené z CAD formáty nebo programy grafického designu, jako je Adobe Illustrator.

Text je nezávislým prvkem v nativních souborech PDF. V PDF můžete vidět textové znaky, ale tyto znaky nemusí nutně obsahovat textové prvky PDF. Jak poznáte rozdíl?
Jak jsme právě viděli, text může být rastrový obrázek textu nebo vektorový obrázek textu. Ve všech případech to vypadá jako text, ale počítač jej nerozpozná jako takový a nemůže jej vybrat ani prohledat.
Text vytvořený textovým procesorem není ani rastr ani vektorový obrázek, je (přiměřeně) nazýván Real Text nebo PDF Text Element. Skutečný text lze prohledávat a vybrat. Na rozdíl od vektorového textu, který se zdá být hrbolatý, a rastrového textu, který je pixelován, vypadá ostře.
Jako v Magritte je slavný obraz, ve světě PDF není obraz textu stejný jako samotný text.

Aby bylo možné text naskenovaného dokumentu prohledávat, musíte jej spustit přes OCR. Tento proces přidá vrstvu neviditelného textu do PDF, takže OCR engine dokáže rozpoznávat znaky a „číst“ text. Tento text se nepoužívá během tisku nebo prohlížení dokumentu PDF a je pro uživatele neviditelný.
Proč je třeba odstranit skrytý text PDF? Naskenovaný text, který byl OCRed, se někdy v prohlížeči nezobrazí dobře. V některých případech je trikem odstranění skrytého textu a opětovné zpracování dokumentu pomocí jiného nástroje (například AvePDF OCR PDF ).
Je také možné, že modul OCR, který používáte, musí být aktualizován a chcete dokumenty znovu zpracovat nebo přepnout na jiný nástroj s lepším výkonem. Poslední úvaha, pokud uložíte jako PDF / OCR dávku dokumentů, které již obsahují soubory OCR, bude výsledný soubor těžší.