Почему текст из PDF выходит перепутанным или с пропусками
Текст из PDF вы получили, но он выглядит странно: строки обрываются, посреди абзаца стоит номер страницы, куски идут не по порядку, а некоторые фрагменты просто исчезли. Почти всегда дело в том, как собран сам PDF. Ниже — частые причины и то, как с ними обходится PDF to Text.
Колонки и текстовые блоки
PDF хранит фрагменты текста в определённых точках страницы, и порядок их записи в файле не всегда совпадает с порядком чтения. PDF to Text идёт в порядке самого файла, а страницы, явно свёрстанные в две колонки, читает по колонкам. Свободная вёрстка — буклеты, афиши, страницы с разбросанными врезками — может выйти в последовательности, отличной от той, в которой вы читаете глазами.
Таблицы
Каждая строка таблицы становится одной строкой текста, ячейки разделены пробелами. Колонки не выравниваются, выгрузки в электронную таблицу нет. В банковской выписке дата, назначение платежа и сумма окажутся в одной строке друг за другом.
Колонтитулы и переносы
Колонтитулы — часть страницы, поэтому они остаются в тексте: название организации или номер страницы может оказаться между двумя абзацами. Каждая строка страницы — отдельная строка текста, а слово, перенесённое в конце строки, сохраняет дефис: «доку-» в одной строке и «мент» в следующей.
Письмо справа налево и другие системы письма
Строки на арабском, иврите и других языках с письмом справа налево выводятся в порядке чтения. Хинди (деванагари), китайский и японский, включая вертикальный японский, а также повёрнутый текст тоже обрабатываются.
Шрифт без соответствия Unicode
Некоторые PDF рисуют буквы шрифтом, который не сообщает, каким символам Unicode они соответствуют: таблица «ToUnicode» отсутствует или повреждена. Вместо того чтобы показывать бессмысленные знаки, PDF to Text пропускает такой текст и пишет: Часть текста прочитать не удалось. При копировании текста из такого PDF в других программах обычно тоже получается набор непонятных символов.
Текст в виде фигур и запрет копирования
Иногда заголовки и логотипы при экспорте превращают в контуры: выглядят как буквы, но это рисунок. Такие страницы помечены пояснением, что на них только рисунки или текст, превращённый в фигуры. Если же автор запретил копирование, появится Этот PDF запрещает копировать текст, и содержимое не будет ни показано, ни сохранено.
Как разобраться со своим файлом
- Откройте PDF в просмотрщике и попробуйте выделить пропавший фрагмент. Не выделяется — значит, текстового слоя в этом месте нет.
- Прочитайте заметку вверху PDF to Text: там перечислены страницы без выделяемого текста и причина для каждой.
- Если появилось Часть текста прочитать не удалось., у шрифта нет пригодного соответствия Unicode; лучше всего попросить автора заново экспортировать документ.
- Если мешают только порядок, колонтитулы или дефисы, поправьте текст в редакторе после копирования или скачивания TXT.