- Problema constă de obicei în codificarea incorectă a caracterelor sau în lipsa tabelelor Unicode în fonturile încorporate ale fișierului.
- Există metode bazate pe reinterpretarea vizuală a documentului folosind OCR pentru a ocoli straturile de text corupte.
- Rezoluția imaginii și utilizarea fonturilor nestandard influențează direct aspectul simbolurilor ciudate sau pătrate.
De ce apar simboluri atunci când copiezi text dintr-un PDF? Probabil ți s-a întâmplat: lucrezi cu un document PDF, selectezi un paragraf care arată bine, îl lipești în Word sau Notepad și dintr-o dată te confrunți cu un jargon de simboluri ciudatePătrate sau caractere care arată ca de pe altă planetă. Este o situație frustrantă care ne face să credem că fișierul este corupt, dar realitatea este că este o eroare tehnică de comunicare destul de frecventă.
Acest fenomen, cunoscut uneori sub numele de mojibakeAcest lucru se întâmplă practic pentru că ceea ce vedem pe ecran nu este același cu codul pe care computerul încearcă să îl copieze. Nu este vorba despre faptul că textul a dispărut, ci mai degrabă despre faptul că maparea caracterelor A eșuat. Din fericire, există o mulțime de trucuri, de la ajustări simple până la utilizarea unui software specializat, pentru a recupera acele informații fără a fi nevoie să tastezi totul de mână.
De ce oare apar aceste simboluri?
Pentru a înțelege soluția, trebuie mai întâi să înțelegem problema. Un PDF are două straturi: stratul vizual (glifele) și stratul de date (codificarea). Când copiați text, sistemul nu „se uită” la litere, ci mai degrabă citește un cod. Dacă PDF-ul folosește un codare personalizată Sau, dacă nu are un tabel Unicode standard, clipboard-ul nu știe cărei litere îi corespunde acelui cod și pune orice simbol.
Există trei cauze principale. În primul rând, nepotrivire de codificareunde caracterele cu accente sau semnul euro sunt transformate în gunoi deoarece cititorul folosește UTF-8, dar fișierul a fost creat în Windows-1252. În al doilea rând, codificare sursă defectuoasăunde PDF-ul arată grozav, dar stratul de text este un dezastru total. Și în al treilea rând, rezolutie scazuta, care derutează software-ul de recunoaștere optică a caracterelor (OCR), făcând ca un 5 să arate ca un S sau un 0 ca un O.
Trucuri rapide și soluții manuale
Dacă nu doriți să instalați programe complexe, puteți încerca câteva metode mai simple. Pe Windows, o opțiune interesantă este să utilizați Scriitor de documente Microsoft XPSImprimarea PDF-ului ca fișier XPS generează o versiune mai curată, care uneori vă permite să copiați textul fără erori. Pe de altă parte, dacă problema constă în întreruperi de linie deranjante la lipirea în Word, puteți utiliza funcția Căutați și înlocuiți pentru a schimba marcajele de paragraf în spații simple.
Pentru utilizatorii de Mac, există un truc „magic” în aplicația Previzualizare. Dacă exportați PDF-ul folosind Filtru de cuarț pentru reducerea dimensiuniiCompresia elimină uneori caracterele inutile și curăță structura documentului, permițând o copiere mult mai lină.
Instrumente avansate și software de reparare
Când problema este serioasă, avem nevoie de artilerie grea. Adobe Acrobat Pro este instrumentul standard; ne permite să schimbați fontul textului la un font mai compatibil, cum ar fi Helvetica, sau să încorporați fonturile corect încă din etapa de producție a tipăririi pentru a evita substituțiile eronate.
Dacă fișierul este cu adevărat corupt, există programe precum EaseUS Fixo care se specializează în... repararea codificării caracterelor și reparați documentele deteriorate. Totuși, dacă sunteți în căutarea a ceva gratuit și puternic, PDFgear este o alternativă excelentă care vă permite să convertiți PDF-uri direct în text simplu sau să utilizați funcția sa pentru a OCR integrat pentru a extrage informațiile.
Puterea OCR: Citiți imaginea, nu codul
Cea mai sigură soluție atunci când nimic altceva nu funcționează este să ignorați stratul de text și să tratați PDF-ul ca și cum ar fi o fotografie. Iată ce... Recunoaștere optică a caracterelor (OCR)Forțând software-ul să citească glifele vizual, evităm orice erori interne de codificare.
- Forțați OCR: În Acrobat, alegeți opțiunea „Imagine cu text ascuns” pentru ca motorul să reanalizeze pagina de la zero.
- Conversie imagine: O tehnică foarte eficientă este exportarea paginilor în format TIFF sau PNG de înaltă rezoluție (minim 300 DPI) și apoi trecerea lor prin OCR. Aceasta elimină orice metadate corupte.
- Utilizarea vederii prin inteligență artificială: Instrumentele moderne de modelare a vederii și limbajului (VLM) nu mai analizează literă cu literă, ci mai degrabă înțeleg context semantic, rezolvând ambiguități pe care OCR-ul tradițional nu le poate face.
Pentru cei mai pricepuți la tehnologie, dacă textul este scurt, trimiteți-le o captură de ecran către Google Lens Este o soluție foarte rapidă și gratuită care funcționează de obicei de minune, deoarece folosește tehnologia de recunoaștere vizuală a Google.
Faptul că un PDF cu text ilizibil la copiere este, în esență, o problemă de traducere între fontul încorporat și sistemul de operare. Fie prin recodificarea fișierului, utilizarea imprimantelor virtuale sau implementarea unui software OCR puternic care analizează imaginea în loc de cod, există întotdeauna o modalitate de a recupera datele. Cheia este să identificați dacă problema se află la font, la codificarea caracterelor sau pur și simplu la rezoluția slabă care derutează software-ul. Acum știți totul despre motivul pentru care apar simboluri la copierea textului dintr-un PDF.
Pasionat de tehnologie de când era mic. Îmi place să fiu la curent în sector și, mai ales, să-l comunic. De aceea mă dedic de mulți ani comunicării pe site-uri de tehnologie și jocuri video. Mă puteți găsi scriind despre Android, Windows, MacOS, iOS, Nintendo sau orice alt subiect conex care vă vine în minte.