text_fields Estrazione Testo da PDF star

Cos'è Davvero il Livello di Testo di un PDF

Un PDF non è un'immagine di una pagina - almeno, non di solito. Quando un PDF viene prodotto da un word processor, una pagina web o un software di impaginazione, il contenuto della pagina viene memorizzato come una sequenza di istruzioni di disegno: "posiziona il glifo G alla posizione (x, y) usando il font F alla dimensione S," ripetuta per ogni carattere della pagina. Ognuna di queste istruzioni di posizionamento del glifo porta un riferimento alla tabella di codifica dei caratteri di un font, il che è ciò che permette al software di ricondurre la forma disegnata a un vero carattere Unicode anziché a una semplice immagine di esso. Questo strumento funziona caricando il PDF con la libreria open source pdf.js di Mozilla e chiamando la sua API getTextContent() su ogni pagina - fondamentalmente, questo legge direttamente quel flusso di istruzioni, senza mai renderizzare la pagina in pixel, quindi funziona anche su un dispositivo senza accelerazione grafica ed è quasi istantaneo rispetto al rendering.

Questo è fondamentalmente diverso da un PDF scansionato, che è ciò che si ottiene quando un documento cartaceo viene fotografato o passato in uno scanner e salvato come PDF - in quel caso la "pagina" è solo un'immagine JPEG o TIFF a piena pagina senza alcuna istruzione di glifo dietro di essa, perché nessun software ha mai saputo cosa dicesse il testo; ha solo catturato pixel. Chiamare getTextContent() su una pagina scansionata restituisce nulla, o quasi nulla, perché non c'è alcun livello di testo da leggere - l'informazione realmente non è presente nel file, allo stesso modo in cui non puoi selezionare testo su una pagina scansionata in un normale visualizzatore PDF. Recuperare testo da un documento scansionato richiede una tecnica completamente diversa, l'OCR (riconoscimento ottico dei caratteri), che analizza le forme dei pixel e indovina i caratteri; questo è un processo fondamentalmente diverso, molto più soggetto a errori, che questo strumento non esegue. Se il tuo PDF è una scansione, cerca invece uno strumento dedicato immagine-in-testo (OCR) - uno è previsto separatamente su questo sito.

Perché il Testo Estratto Può Uscire Fuori Ordine

Un problema più sottile riguarda anche i PDF che hanno un vero livello di testo: getTextContent() restituisce gli elementi di posizionamento dei glifi nell'ordine in cui sono stati originariamente disegnati quando il PDF è stato generato - non necessariamente l'ordine in cui un essere umano li leggerebbe. La maggior parte dei documenti semplici a colonna singola vengono disegnati dall'alto verso il basso, da sinistra a destra, corrispondendo all'ordine di lettura naturale, quindi l'estrazione appare corretta. Ma un esportatore PDF è libero di disegnare il contenuto in qualsiasi sequenza scelga, e molti non preservano l'ordine visivo: un articolo accademico a due colonne, un'impaginazione di rivista, una tabella, o un PDF con caselle di testo e didascalie possono facilmente avere il loro ordine di disegno intrecciato o completamente invertito rispetto a come si muoverebbe l'occhio di un lettore sulla pagina, perché la specifica definisce la posizione, non la sequenza di lettura. Questo strumento concatena gli elementi di ogni pagina nell'ordine in cui pdf.js li riporta e separa le pagine con un chiaro indicatore --- Pagina N --- così puoi vedere esattamente da quale pagina proviene ogni blocco e riordinare manualmente un risultato multi-colonna se necessario.

• Nulla viene caricato: il PDF viene analizzato interamente lato client usando pdf.js in esecuzione nel tuo browser; il file non raggiunge mai il server di questo sito.
• I PDF protetti da password non si apriranno - questo strumento non tenta di aggirare la crittografia o i permessi del PDF.
• La spaziatura estratta può differire dall'impaginazione visiva - le tabelle in particolare vengono spesso estratte come una sequenza piatta di valori di celle anziché una griglia formattata, poiché il PDF non ha un concetto nativo di "tabella" come lo ha l'HTML.
• I documenti multi-pagina ricevono indicatori di pagina così puoi capire dove finisce il contenuto di una pagina e inizia quello successivo, poiché le pagine PDF sono altrimenti flussi di contenuto indipendenti senza un'interruzione di paragrafo intrinseca tra loro.