Bagaimana Saya Dapat Menyalin Teks dari PDF sambil Memelihara Format?
PDF, format dokumen yang ada di mana-mana, sangat bagus untuk berbagi dokumen sambil mempertahankan font, gambar, dan tata letak umum lintas platform. Apakah ada cara mudah, namun, untuk mempertahankan format itu saat menyalin dan menempelkan teks dari dokumen?
Sesi Tanya Jawab hari ini datang kepada kami berkat SuperUser-subdivisi Stack Exchange, pengelompokan situs web Q&A berbasis komunitas.
Pertanyaan
Pembaca SuperUser, Colen sedang mencari cara untuk mengekstrak teks dari PDF sambil mempertahankan format:
Ketika saya menyalin teks dari file PDF dan ke editor teks, akhirnya rusak dalam berbagai cara. Memformat seperti huruf tebal dan miring hilang; jeda baris lunak dalam paragraf teks dikonversi ke jeda garis keras; garis putus-putus untuk memecahkan kata lebih dari dua baris dipertahankan bahkan ketika mereka seharusnya tidak; dan tanda kutip tunggal dan ganda diganti dengan? tanda-tanda.
Idealnya, saya ingin dapat menyalin teks dari PDF dan memformat dikonversi ke kode HTML, "kutipan pintar" dikonversi menjadi "dan ', dan jeda baris dilakukan dengan benar. Apakah ada cara untuk melakukan ini??
Apakah ada cara cepat dan mudah bagi Colen (dan kita semua) untuk mendapatkan teks tanpa mengorbankan format?
Jawabannya
Kontributor SuperUser, Frabjous, menawarkan solusi yang dikombinasikan dengan dosis kehati-hatian yang tinggi:
Pertama, Anda harus mengerti apa itu PDF. PDF dirancang untuk meniru halaman yang dicetak, dan mereka dirancang hanya sebagai format output, bukan format input. PDF pada dasarnya adalah peta yang berisi lokasi tepat karakter (huruf individu atau tanda baca, dll.) atau gambar. Dalam kebanyakan kasus, PDF bahkan tidak menyimpan informasi tentang di mana satu kata berakhir dan yang lain dimulai, apalagi hal-hal seperti istirahat ringan vs istirahat keras untuk akhir paragraf.
(Beberapa PDF baru-baru ini memang menyimpan beberapa informasi tentang hal ini, tetapi itu adalah teknologi baru, dan Anda akan beruntung menemukan PDF seperti itu. Bahkan jika Anda melakukannya, pemirsa PDF Anda mungkin tidak mengetahuinya.)
Pokoknya, tergantung pada perangkat lunak Anda untuk mengimplementasikan semacam "kecerdasan buatan" untuk mengekstraksi dari lokasi masing-masing karakter apa kata, apa paragraf, dan sebagainya. Perangkat lunak yang berbeda akan melakukan ini lebih baik daripada yang lain, dan itu juga akan tergantung pada bagaimana PDF dibuat. Bagaimanapun, Anda tidak boleh mengharapkan hasil yang sempurna. Memiliki hasil PDF tidak sama dengan memiliki dokumen sumber. Jauh lebih baik untuk mencoba mendapatkannya jika Anda bisa.
Solusi standar untuk masalah Anda adalah menggunakan Adobe Acrobat Professional (yang mahal, bukan pembaca gratis) untuk mengonversi PDF ke HTML. Bahkan itu pun tidak akan mendapatkan hasil yang sempurna.
Ada perangkat lunak gratis yang dapat digunakan untuk mengekstrak teks dari PDF dengan beberapa format utuh, tetapi sekali lagi, jangan berharap hasil yang sempurna. Lihat, mis., Kaliber (yang dapat dikonversi ke format RTF), pdftohtml / pdfreflow, atau pengolah kata AbiWord (dengan semua plugin impor / ekspor diaktifkan). Ada juga plugin impor PDF untuk OpenOffice.
Tapi tolong jangan berharap kesempurnaan dengan hasil ini. Anda menentang gandum di sini. PDF tidak dimaksudkan sebagai format input yang dapat diedit.
Jika Anda kesulitan menentukan alat mana untuk memulai, Calibre adalah dokumen yang benar-benar pisau Swiss Army. Anda juga dapat menggunakannya untuk mengonversi file PDF untuk digunakan pada pembaca ebook Anda dan mengatur perpustakaan ebook / dokumen Anda.
Punya sesuatu untuk ditambahkan ke penjelasan? Berbunyi dalam komentar. Ingin membaca lebih banyak jawaban dari pengguna Stack Exchange yang mengerti teknologi lainnya? Lihat utas diskusi lengkap di sini.
