ดึงข้อความออกจากไฟล์ PDF

เพราะเอกสารสแกนคือรูปถ่ายของหน้ากระดาษ ไม่ใช่ข้อความ การดึงข้อความอ่านชั้นข้อความที่ไฟล์ PDF มีอยู่ ส่วนหน้าที่สแกนหรือถ่ายรูปมานั้นไม่มีชั้นนั้นเลย การอ่านตัวอักษรจากในรูปภาพคือ OCR ซึ่งเครื่องมือนี้ตั้งใจไม่ทำ — มันจะรายงานว่าหน้าเหล่านั้นว่างเปล่า แทนที่จะเดาให้

เปิดในโปรแกรมอ่านตัวไหนก็ได้ แล้วลองใช้เคอร์เซอร์เลือกข้อความสักบรรทัด ถ้าข้อความไฮไลต์ขึ้นมา แปลว่าดึงออกมาได้ แต่ถ้าได้แค่กรอบสี่เหลี่ยมคลุมรูปภาพ ก็แปลว่าไม่มีอะไรให้ดึง

ไม่ ผลลัพธ์เป็นข้อความธรรมดาเรียงตามลำดับหน้า เลย์เอาต์แบบหลายคอลัมน์ ตาราง และหัวกระดาษจะออกมาเป็นบรรทัดต่อ ๆ กัน ซึ่งอาจอ่านสลับลำดับได้ในหน้าที่จัดวางซับซ้อน

ได้ ลบหน้าที่ไม่ต้องการออกก่อนส่งออก แต่ไม่มีการเลือกเฉพาะบางส่วนภายในหน้า หน่วยที่เล็กที่สุดจึงเป็นหนึ่งหน้าเต็ม

ส่วนใหญ่ถูก ข้อความออกมาตามที่ไฟล์เข้ารหัสไว้ ไฟล์ PDF ที่ทำมาดีจึงดึงออกมาได้สะอาด ส่วนเอกสารที่สร้างจากโปรแกรมรุ่นเก่าที่การเข้ารหัสฟอนต์เสีย อาจได้อักขระประหลาด และไม่มีตัวดึงข้อความตัวไหนซ่อมตรงนั้นย้อนหลังได้

ไม่ pdf.js อ่านชั้นข้อความในเบราว์เซอร์ของคุณและเขียนไฟล์ .txt ที่นั่นเลย ไม่มีอะไรถูกส่งไปที่ไหน ซึ่งสำคัญมาก เพราะงานแบบนี้มักทำกับเอกสารที่มีค่าพอจะเอาไปวิเคราะห์