Waarom tekst uit een pdf soms rommelig of onvolledig is
Je hebt de tekst uit een pdf gehaald en het lijkt wel een puzzel? Een pdf is gemaakt om er goed uit te zien, op een scherm of op papier, niet om als doorlopende tekst gelezen te worden. Dit zijn de gebruikelijke oorzaken, en zo gaat PDF to Text ermee om.
Leesvolgorde en kolommen
De tekst komt eruit in de interne volgorde van de pdf, zoals het programma dat hem maakte die heeft vastgelegd. Pagina’s die duidelijk in twee kolommen staan, worden kolom voor kolom gelezen. Een tijdschriftpagina met kaders, bijschriften en koppen over de volle breedte kan toch een onverwachte volgorde geven: de tekst is er wel, alleen in de volgorde waarin de pdf hem opslaat.
Tabellen
Elke rij van een tabel wordt één regel tekst, met spaties tussen de cellen. Kolommen blijven niet behouden en er is geen export naar een spreadsheet. Op een bankafschrift staan datum, omschrijving en bedrag dus achter elkaar op één regel.
Kop- en voetteksten en afbreekstreepjes
Kop- en voetteksten horen bij de pagina en komen dus op elke pagina terug in de tekst. Een woord dat aan het eind van een regel is afgebroken, houdt zijn streepje: ‘docu-’ en op de volgende regel ‘ment’. Met zoeken en vervangen in een editor ruim je dat snel op.
Van rechts naar links en andere schriften
Regels in het Arabisch of in een ander schrift dat van rechts naar links loopt, komen in leesvolgorde uit de pdf. Ook Hindi (Devanagari), Chinees, Japans, ook verticaal, en gedraaide tekst worden verwerkt.
Gaten: lettertypen zonder Unicode-koppeling
Sommige pdf’s tekenen letters met een lettertype dat niet vertelt welke Unicode-tekens het zijn (een ontbrekende of kapotte ‘ToUnicode’-tabel). In plaats van onleesbare tekens te tonen, laat PDF to Text die tekst weg en meldt het Een deel van de tekst kon niet worden gelezen. Kopieer je uit zo’n pdf in een andere app, dan krijg je meestal ook wartaal.
Pagina’s die vol tekst lijken
Een pagina kan vol woorden lijken en toch geen enkel woord bevatten: tekst die in vormen is omgezet (vaak bij posters, logo’s of bestanden uit tekenprogramma’s), een gescande afbeelding, of een lege pagina. Een melding bovenaan noemt die pagina’s en elke pagina vermeldt de reden.
Kopiëren uitgezet
Heeft de maker kopiëren geblokkeerd, dan verschijnt Deze pdf staat het kopiëren van tekst niet toe. De tool respecteert die instelling en verandert niets aan het bestand.
Wat je nu kunt doen
- Lees de meldingen bovenaan en onder elke Pagina N om te zien wat er speelt.
- Ruim in een editor op wat kan: afbreekstreepjes, herhaalde kopteksten, spaties in tabellen.
- Is een pagina alleen een afbeelding, lees dan de gids over gescande pdf’s.