Skannatun PDF-tiedoston tekstinpoistomuunnin
Skannatun PDF-tiedoston muuntaminen tekstiksi muuttaa kuvapohjaiset asiakirjakuvat muokattaviksi pelkän tekstin merkeiksi.
Muotojen vertailu ja tekniset tiedot
| Määritys | SCANNED-PDF | TXT |
|---|---|---|
| MIME-tyyppi | application/pdf | text/plain |
| Tyyppi | scanned bitmap PDF document | plain text |
| Pakkaus | Flate / JBIG2 / DCT compression | none |
| Standardimääritys | ISO 32000-2:2020 | Unicode Standard / UTF-8 RFC 3629 |
| Tiedostotunniste (Magic Bytes) | 25 50 44 46 2D (%PDF-) | UTF-8 / ASCII plain stream |
Muodon yleiskatsaus ja käyttökohteet
Skannattu PDF on käytettäessä kokoelma digitaalisia kuvia pakattuna asiakirjasäilöön. Kun käyttäjien täytyy muokata, etsiä tai indeksoida sanoja näistä kuvatiedostoista, tavalliset asiakirjankatseluohjelmat epäonnistuvat, koska ne näkevät vain pikseleitä kirjainten sijaan. Skannatun PDF-tiedoston muuntaminen tekstiksi perustuu optiseen merkkien tunnistukseen (OCR). Tämä prosessointivaihe skannaa pikseliruudukot, tunnistaa kirjainmuodot ja tuottaa puhtaat merkkijonot yleiseen tekstitiedostoon. Lakitoimistot, historialliset arkistot ja kirjastot käyttävät tätä muunnoskulkua päivittäin. Tasoskannauksiksi muunnetut paperiasiakirjat vievät tallennustilaa ja vastustavat avainsanahakuja. Näiden kuvapohjaisten PDF-tiedostojen käsittely pelkäksi tekstiksi tekee miljonista sivuista haettavia sekunneissa. Ohjelmistokehittäjät käyttävät tätä putkea myös koneoppimismallien kouluttamiseen ja raakadatan poistamiseen skannatuista kuitteista, laskuista ja viranomaislomakkeista ilman manuaalista kirjoittamista.
Tekniset tiedot ja koodekkien erittely
Skannattu PDF käyttää application/pdf MIME-tyyppiä ja alkaa tyypillisesti taikatavutunnisteella %PDF, jota seuraa versionumero. Säilön sisällä sivun sisältö perustuu kuvapakkauskoodekkeihin, kuten Flate, JBIG2 tai DCT rasteroitujen bittikarttojen tallentamiseksi. Muuntaminen puretuksi tekstiksi muuttaa MIME-tyypiksi text/plain ilman taikatavuja tai pakkausta. OCR-moottori lukee pakatun bittikarttadata, purkaa pikselimatriisit ja tuottaa raakoja ASCII- tai UTF-8-merkkijonoja. Koska TXT ei sisällä muotoilua, tyylejä, fontteja tai kuvia, tulostustiedoston koko pienenee dramaattisesti lähde-PDF:ään verrattuna.
Käyttöjärjestelmien ja selaimien yhteensopivuus
Käyttöjärjestelmät, kuten Windows, macOS, Linux, iOS ja Android avaavat TXT-tiedostot natiivisti sisäisillä tekstieditoreilla, kuten Muistiolla (Notepad), TextEditillä ja Nanolla. Verkkoselaimet näyttävät tekstitiedostot heti ilman liitännäisiä. Sitä vastoin skannatut PDF-tiedostot vaativat erilliset PDF-lukuohjelmat tai selaimen renderöintimoottorit näkyäkseen oikein. Skannattujen asiakirjojen muuntaminen pelkäksi tekstiksi varmistaa yhteensopivuuden vanhojen järjestelmien, komentorivirajapintojen ja yksinkertaisten tekstinkäsittelyskriptien kanssa.
💡 Hyödyllistä tietoa
Pidä lähtöskannauksen resoluutio vähintään 300 DPI:ssä tai korkempana auttaaksesi OCR-moottoria kaappaamaan puhtaat kirjainreunat ja vähentämään merkintunnistusvirheitä.
Muotojen vertailu ja tekniset tiedot
Tyypillinen 10-sivuinen skannattu PDF-asiakirja on kooltaan noin 5 Mt upotettujen bittikuvien vuoksi. Tämän tiedoston muuntaminen tekstiksi pienentää koon noin 20 kilotavuun. Hitaalla 15 megabitin sekuntinopeudella toimivalla 4G-mobiiliyhteydellä valtavan PDF-tiedoston siirteminen kestää noin 2,7 sekuntia, kun taas tuloksena oleva tekstitiedosto latautuu millisekunnin murto-osassa.
Usein kysytyt kysymykset
Miten skannattu PDF muutetaan tekstiksi laadun heikkenemättä?
Koska skannatut PDF-tiedostot tallentavat asiakirjasivut häviöllisinä tai häviöttöminä rasterikuvina, OCR-poistoprosessi toimii muunnosaskeleena suoran transkoodauksen sijaan. Tekstitiedostot eivät tallenna visuaalista laatua tai muotoilua. Muunnoksen tarkkuus riippuu täysin lähtöbittikartan resoluutiosta ja merkkien tunnistusalgoritmien tarkkuudesta.
Mitä eroa on skannatulla PDF:llä ja puretulla tekstitiedostolla?
Skannattu PDF on asiakirjasäilö, joka käyttää binääripakkausalgoritmeja sivukuvien tallentamiseen pikseleinä. Purettu teksti on pelkkä tekstitiedosto, joka sisältää vain raakoja merkkikoodeja ilman pakkausta, säilön yläpuolisia rakenteita, tyylittelyä tai kuvia.