Hvordan kan jeg kopiere tekst fra en PDF mens du beholder formatering?

Innholdsfortegnelse:

Hvordan kan jeg kopiere tekst fra en PDF mens du beholder formatering?
Hvordan kan jeg kopiere tekst fra en PDF mens du beholder formatering?

Video: Hvordan kan jeg kopiere tekst fra en PDF mens du beholder formatering?

Video: Hvordan kan jeg kopiere tekst fra en PDF mens du beholder formatering?
Video: How to Rescue Data when Windows will not Boot - YouTube 2024, Mars
Anonim
PDF, det allestedsnærværende dokumentformatet, er flott for deling av dokumenter mens du beholder fonter, bilder og det generelle layoutet på tvers av plattformer. Er det imidlertid en enkel måte å bevare så mye formatering når du kopierer og limer tekst ut av dokumentet?
PDF, det allestedsnærværende dokumentformatet, er flott for deling av dokumenter mens du beholder fonter, bilder og det generelle layoutet på tvers av plattformer. Er det imidlertid en enkel måte å bevare så mye formatering når du kopierer og limer tekst ut av dokumentet?

Dagens Spørsmål & Svar-sesjon kommer til oss med høflighet av SuperUser-en underavdeling av Stack Exchange, en fellesskapsdrevet gruppering av Q & A-nettsteder.

Spørsmålet

SuperUser-leser Colen søker etter en måte å trekke ut tekst fra PDF-filer samtidig som formateringen holdes:

When I copy text out of a PDF file and into a text editor, it ends up mangled in a variety of ways. Formatting like bold and italics are lost; soft line breaks within a paragraph of text are converted to hard line breaks; dashes to break a word over two lines are preserved even when they shouldn’t be; and single and double quotes are replaced with ? signs.

Ideally, I’d like to be able to copy text from a PDF and have formatting converted to HTML codes, “smart quotes” converted to” and ‘, and line breaks done properly. Is there any way to do this?

Er det en rask og enkel måte for Colen (og resten av oss) å få tak i tekst uten å ofre formateringen?

Svaret

SuperUser-bidragsyter Frabjous tilbyr en løsning kombinert med en stor dose forsiktighet:

Firstly, you have to understand what a PDF is. PDFs are designed to mimic a printed page, and they are designed only as an output format, not an input format. a PDF is basically a map containing the exact location of characters (individual letters or punctuation, etc.) or images. In most cases, a PDF does not even store information about where one word ends and another begins, much less things like soft breaks vs. hard breaks for paragraph endings.

(A few recent PDFs do store some information about this stuff, but that’s a new technology, and you’d be lucky to find PDFs like that. Even if you did, your PDF viewer might not know about it.)

Anyway, it’s up to your software to implement some kind of “artificial intelligence” to extract merely from the locations of individual characters what is a word, what is a paragraph, and so on. Different software is going to do this better than others, and it’s also going to depend on how the PDF was made. In any case, you should never expect perfect results. Having the output PDF is not the same as having the source document. Far better to try to obtain that if you can.

The standard solution to your kind of problem is to use Adobe Acrobat Professional (the expensive one, not the free reader) to convert the PDF to HTML. Even that is not going to get perfect results.

There is free software that can be used to extract text from PDFs with some of formatting intact, but again, don’t expect perfect results. See, e.g., calibre (which can convert to RTF format), pdftohtml/pdfreflow, or the AbiWord word processor (with all import/export plugins enabled). There’s also a PDF import plugin for OpenOffice.

But please don’t expect perfection with any of these results. You’re going against the grain here. PDF just is not meant as an editable input format.

Hvis du har problemer med å bestemme hvilket verktøy du skal begynne med, er Caliber et veritabelt dokument sveitsisk hærkniv. Du kan også bruke den til å konvertere PDF-filer til bruk på eBok-leseren og organisere eBok / dokumentbiblioteket.

Har du noe å legge til forklaringen? Lyde av i kommentarene. Vil du lese flere svar fra andre tech-savvy Stack Exchange-brukere? Sjekk ut hele diskusjonstråden her.

Anbefalt: