PDF → TXT

Szöveg kinyerése PDF-ből: mit veszít a TXT formátum?

A TXT egyszerű szöveg, ezért jól használható idézetek, kereshető jegyzetek vagy későbbi feldolgozás előkészítésére. Nem képes megőrizni a PDF tipográfiáját, képeit, oldalképét és a táblázatok vizuális szerkezetét. A konvertálás sikerét tehát a szöveg pontosságán kell mérni, nem azon, hogy a dokumentum ugyanúgy néz-e ki.

Többhasábos dokumentumoknál a sorok rossz sorrendben kapcsolódhatnak össze. Az elválasztott szavak, a felső indexek és az élőfejek bekerülhetnek a sima szövegbe. Egy hosszabb tudományos cikk vagy számlalista esetében a feldolgozás után érdemes mintavételesen átolvasni a kezdetét, a közepét és a végét.

A beszkennelt oldalak képformában tartalmazhatják a szöveget; ehhez OCR-re van szükség, amelynek meglétét külön kell ellenőrizni. A kapott TXT karakterkódolását is nézd meg: magyar ékezeteknél az UTF-8 általában biztonságos választás.

Gyakorlati ellenőrzés: A konvertálás után nyisd meg a letöltött fájlt a célprogramban, és ellenőrizd a tartalmat.

Gyakorlati tanácsok és ellenőrzési szempontok

Szöveges PDF és beszkennelt oldal

A PDF belseje nagyon eltérő lehet. Egy szövegszerkesztőből exportált dokumentumban a betűk általában kijelölhető szövegként szerepelnek; egy beszkennelt papírlap viszont gyakran csak képet tartalmaz. A PDF → TXT átalakítás előbbi esetben szövegkinyerést végezhet. Utóbbihoz optikai karakterfelismerés, azaz OCR szükséges, amely külön technológia. Ne feltételezd, hogy egy PDF-konverter automatikusan felismeri a képen látható betűket. Ha a kimenet üres vagy alig tartalmaz szöveget, először vizsgáld meg, hogy a forrásdokumentumban egyáltalán ki tudod-e jelölni a mondatokat.

Oszlopok, táblázatok és olvasási sorrend

A TXT egyszerű szövegsorozat, nem képes megőrizni az oldalak vizuális szerkezetét. Egy kétoszlopos tanulmányból kinyert mondatok akár rossz sorrendben is követhetik egymást. A táblázatok sorai és cellái összecsúszhatnak, a fejléc és a lábléc beékelődhet a főszövegbe, az oldalszámok pedig önálló sorokként jelenhetnek meg. Ezért a kapott szöveget ne tekintsd azonnal kész, hiteles átiratnak. Hosszabb dokumentumnál érdemes részenként ellenőrizni az eredeti oldalak és a TXT szövegrészeinek egyezését.

Mire használható jól a kinyert szöveg?

Szöveges PDF esetén a TXT kényelmes lehet gyors kereséshez, idézetek előkészítéséhez, belső jegyzetekhez vagy további szerkesztéshez. Ugyanakkor képek, képletek, lábjegyzetkapcsolatok és beágyazott űrlapelemek elveszhetnek. Jogszabályok, szerződések és kutatási eredmények esetén a pontos kontextus fontos: az eredeti PDF-et is őrizd meg, és ellenőrizd, hogy egy átalakított bekezdés nem szakadt-e el az előtte vagy utána található megjegyzéstől. Ha a cél a dokumentum eredeti elrendezésének szerkesztése, a PDF → DOCX lehet megfelelőbb kiindulópont.

Magyar nyelvű ellenőrzési lista

Vizsgáld meg a hosszú és rövid magánhangzókat, különösen az ő és ű karaktereket, a sortörésnél elválasztott szavakat és a felsorolásjeleket. A PDF-ben díszítőelemként használt karakterek a TXT-ben váratlan jelekké alakulhatnak. Figyelj a dátumokra, tizedesvesszőkre és negatív számokra, mert egy elcsúszott oszlop komoly félreértést okozhat. Ha a fájlt másik programban nyitod meg, ellenőrizd a karakterkódolást is. Nagy dokumentumoknál az üres kimenet vagy a hibás letöltés feldolgozási korlátot is jelezhet; ilyen esetben kisebb mintafájllal célszerű próbálkozni.

Példa: hosszabb jelentésből idézetek gyűjtése

Ha egy többoldalas PDF-ből szeretnél idézeteket kigyűjteni, előbb győződj meg arról, hogy a dokumentum másolható szöveget tartalmaz. Az exportált TXT-ben keresd meg az ismert fejezetcímeket, és vesd össze az utánuk következő első bekezdéseket az eredetivel. A kötőjelekkel elválasztott sorvégek külön odafigyelést igényelnek, mert ugyanaz a szó többféle írásképpel is előfordulhat. Ha számértéket vagy idézetet használsz fel, az eredeti oldalszámot is jegyezd fel, hiszen a TXT önmagában nem tárolja megbízhatóan a PDF oldaltöréseit. Különösen óvatosan járj el szerződések, árajánlatok és szakmai jelentések esetén, ahol a hibásan összefűzött mondatok megváltoztathatják az értelmet.

Utolsó ellenőrzés a megosztás előtt

Az így kapott szöveg más programba való beillesztésekor mindig nézd át az idézőjeleket, a gondolatjeleket és az írásjeleket is. Az átírt szöveg formai hibái gyakran csak szerkesztés közben válnak észrevehetővé.