Da PDF a testo

Si apre un PDF, si tenta di copiare un paragrafo e si ottiene nulla oppure un insieme di caratteri confusi con interruzioni di riga casuali nel mezzo delle frasi. Accade con i PDF esportati da applicazioni di design, con documenti scansionati che hanno subito un passaggio OCR di scarsa qualità, o con file che hanno layout a più colonne complessi. Il testo è visivamente presente — lo si può leggere — ma non è possibile selezionarlo in modo pulito per incollarlo da qualche parte in modo utile. L'estrattore da PDF a testo di Dokk.ai legge il livello di contenuto testuale effettivamente incorporato nel file PDF, non una cattura dello schermo. Per i PDF standard basati su testo, questo significa che ogni carattere, parola e paragrafo viene estratto esattamente come strutturato — incluso l'ordine di lettura per i layout a più colonne, i limiti delle celle delle tabelle, gli elementi di elenco e le note a piè di pagina. L'estrazione preserva la spaziatura dei paragrafi in modo che l'output sia pronto per essere incollato in un editor di documenti, un'e-mail o un sistema di gestione dei contenuti senza pulizia manuale. I layout con molte colonne — come gli articoli accademici, gli articoli in stile giornalistico e le brochure a più colonne — vengono gestiti con un passaggio di analisi del layout che identifica le regioni di testo e ricostruisce correttamente l'ordine di lettura. Senza questo passaggio, un PDF a due colonne estratto in modo grezzo produce testo interfogliato da entrambe le colonne, che è illeggibile. L'estrattore identifica le colonne spazialmente e le produce nella sequenza corretta, prima la colonna sinistra. Per i PDF scansionati o i documenti basati su immagini in cui non esiste un livello testuale, lo strumento di estrazione standard segnalerà correttamente che non è presente alcun testo. In questi casi, lo strumento OCR di dokk.ai dovrebbe essere utilizzato prima — elabora le pagine scansionate tramite il riconoscimento ottico dei caratteri e crea un livello di testo ricercabile che può poi essere estratto o copiato. Lo strumento Da PDF a Word è un'alternativa quando si ha la necessità del contenuto estratto in formato DOCX modificabile con conservazione approssimativa del layout, piuttosto che come testo normale. Il testo estratto è disponibile come file TXT scaricabile e può anche essere copiato direttamente dal pannello di anteprima. Questo rende semplice passare il contenuto estratto a strumenti di traduzione, pipeline AI, indici di ricerca o script di analisi dei contenuti. Lo strumento Estrai immagini gestisce il compito complementare di estrarre la grafica incorporata dallo stesso PDF se si ha la necessità sia del contenuto testuale che di quello visuale da un singolo documento.