PDF-тен мәтінді қалай шығаруға болады

Шығару құжатта әріппен жазылып қойған нәрсені оқиды: мына таңбаны мына қаріппен көрсет деген командаларды. Мұндай мәтін лезде әрі дәл алынады — бұл болжау емес, оқу. Бірақ бет сурет болып тұрса, шығаратын ештеңе жоқ: сканда мәтін қабаты болмайды және оны ешқандай түйме жасап бере алмайды. Бәрі браузерде есептеледі, құжат серверге жіберілмейді.

Браузерде жергілікті1 ГБ дейінтіркеусіз

Сандар туралы қысқаша

Қайда өңделеді: браузерде, файл серверге кетпейді
Не оқылады: бар мәтін қабаты, кескіндер танылмайды
Жол тасымалдары: PDF қозғалтқышының жол соңы белгісінен алынады
Қалыпқа келтіру: лигатуралар жіктеледі, құрама әріптер біріктіріледі
Оқылмаған бет: өткізіледі, нөмірі тізіммен шығады

Шығару мен тану — екі бөлек әрекет

Шығару — бар деректі оқу. Word-тен жасалған немесе есеп жүйесінен түсірілген PDF-те әр жазу қаріпке сілтемесі бар таңба кодтарының тізбегі ретінде сақталады. Құрал бет бойымен жүріп, осы кодтарды жинап, мәтінге біріктіреді. Мұнда қателесу мүмкін емес деуге болады: әріптер болжанбайды, дайын күйінде алынады.

Тану — кескін бойынша мәтін құрастыру. Бағдарлама пиксельдерге қарап, әріпке ұқсас контурларды тауып, олардың қандай таңба екенін жорамалдайды. Классикалық қателер содан: нөлдің орнына «О», «п» орнына «ll», жабысып қалған сөздер. Бұл — тіл моделін талап ететін бөлек технология және ол әрдайым белгілі бір пайыз қате береді. Бізде ол жоқ, әрі біз бірін екіншісінің орнына ұсынбаймыз.

Практикалық қорытынды қарапайым: көрсеткіш бағдарламада мәтін тінтуірмен белгіленсе, шығару жұмыс істейді. Белгілеу бүкіл бетті бір тіктөртбұрышпен қоршаса — алдыңызда сурет тұр.

Құрал тапқан мәтінмен не істейді

Жол тасымалдары PDF қозғалтқышының өзі беретін жол соңы белгісінен алынады: бет бір ұзын жолға жабысып қалмайды.
Беттер бос жолмен бөлінеді, сондықтан парақ шекаралары сақтағаннан кейін де көрініп тұрады.
Мәтін қалыпқа келтіріледі: «ﬁ» тәрізді типографиялық лигатуралар кәдімгі әріптерге жіктеледі, ал генератор ә, ө, ұ әріптерін әріп плюс бөлек белгі етіп жазса, олар бір таңбаға біріктіріледі — әйтпесе сөз бойынша іздеу оны таппас еді.
Қозғалтқыш оқи алмаған бет қалғанын жоққа шығармайды: оның нөмірі бөлек көрсетіледі, ал басқа беттердің мәтінін толық аласыз.
Мәтін еш жерден табылмаса, сіз түсіндірмесіз бос терезе емес, мәтін қабатының жоқтығы туралы тура хабарлама көресіз.

Шығарылған мәтін кейде неге қоқыс болып шығады

PDF ішінде таңба әріп түрінде емес, қаріптегі глиф нөмірі болып сақталады. Нөмірді қайтадан әріпке айналдыру үшін файлға сәйкестік кестесі салынады. Кейбір генераторлар оны салмайды — әсіресе қаріптің бір бөлігін ғана енгізгенде — сонда бет тамаша көрінеді, бірақ көшіргенде түсініксіз таңбалар шығады: кодтар бар, ал оларға шешім жоқ.

Мұны бір секундта тексеруге болады: PDF-ті кез келген көрсеткіште ашып, абзацты белгілеп, көшіріп, мәтін өрісіне қойыңыз. Не қойылса, сол шығады — файлда жоқ сәйкестікті ешбір құрал қалпына келтіре алмайды. Шығар жол біреу: бастапқы құжатты сұрау немесе бетті кескін ретінде тану.

Жұмыс тәртібі

Көрсеткіш бағдарламада мәтіннің тінтуірмен белгіленетінін тексеріңіз.
Мәтінді шығару құралын ашып, PDF жүктеңіз — өңдеу қойындыда жүреді.
Беттердің өтуін күтіңіз: барыс бет-бетімен саналады.
Нәтижені терезеден қарап шығыңыз және өткізіліп кеткен беттердің тізімі пайда болса, оған назар аударыңыз.
.txt файлын жүктеңіз немесе қажет үзіндіні терезеден тікелей көшіріңіз.

Жиі қойылатын сұрақтар

Шығару танудан несімен ерекшеленеді?

Шығару файлда жазулы тұрған таңба кодтарын оқиды, сондықтан қателеспейді. Тану суретке қарап мәтін құрайды және әрдайым қате пайызын береді. Бізде біріншісі бар; скан үшін екіншісі керек, біз бұл туралы тура айтамыз.

Тізімде бір бет неге өткізіліп кетті?

Онда қозғалтқыш мазмұнды оқи алмады: дерек ағыны бүлінген немесе қаріп кестесі жүктелмеген. Бұрын мұндай бет бүкіл жұмысты тоқтататын, енді қалған беттер толық шығарылады, ал ақаулы беттің нөмірі бөлек көрсетіледі.

Қазақ әріптері неге кейде мәтіннен іздеуді бұзады?

Кейбір генераторлар ә немесе ө әрпін кәдімгі әріп плюс бөлек диакритикалық белгі етіп жазады. Көзге сол әріп болғанымен, коды екеу, сөз бойынша іздеу оны таппайды. Біз шығару кезінде мұндай жұптарды бір таңбаға келтіреміз.

Құрылым сақтала ма: кестелер, бағандар, тақырыптар?

Жоқ, шығуда жалпақ мәтін болады. Бағандар мен ұяшықтар PDF-те тек координат түрінде өмір сүреді, сондықтан мәтіндік файлда олар кәдімгі жолдарға айналады. Құрылымды сақтау үшін шығудың басқа пішімі керек.