Bagaimana cara menyalin teks dari PDF tanpa kehilangan format?

Ketika saya menyalin teks dari file PDF dan menjadi editor teks, itu akhirnya hancur 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?

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 terakhir 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 menerapkan 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 seharusnya tidak mengharapkan hasil yang sempurna. Memiliki output PDF tidak sama dengan memiliki dokumen sumber. Jauh lebih baik 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, misalnya, 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.

Pilihan lain adalah mengunduh dan mulai menggunakan pdf viewer gratis, Foxit (bagus). Kemudian Anda dapat 'Simpan Sebagai' dan pilih .txt untuk mengubahnya menjadi file teks. Itu akan mempertahankan semua pemformatan. Entah apakah Anda dapat melakukan hal yang sama di Adobe karena saya berhenti menggunakannya beberapa saat yang lalu ketika saya dikonversi ke Foxit.

Ada alat online yang sangat bagus yang disebut Sej-da . Ini berkaitan dengan Manipulasi PDF Lanjutan. Tidak ada perangkat lunak untuk diunduh. Karena ini adalah alat online baru , saat ini masih dalam Beta. Ini memungkinkan Anda untuk mengekstrak teks dari PDF, serta menyediakan berbagai fungsi PDF lainnya

http://www.sejda.com/

Ulasan video singkat tentang fungsi-fungsi sejda dilakukan pada 14 November 2012 oleh Revision 3, dapat ditemukan di sini:

http://revision3.com/tzdaily/sejda-online-pdf

Buka file PDF Anda dengan browser (Google chrome dan firefox diuji) lalu salin teks Anda di sana.

Anda dapat menggunakan Adobe Acrobat Pro untuk ini.

Untuk tabel: Dengan Acrobat 9/10 ada fitur tabel pilih. Dengan Acrobat X Anda cukup mengklik Save As> Spreadsheet> Excel. Bahkan menggabungkan halaman menjadi satu spreadsheet panjang. Fitur luar biasa.

Untuk teks: Ada fitur serupa untuk mengekspor ke MS Word. Save As> Word> Word Doc.

Sumber:

• http://blogs.adobe.com/acrolaw/2009/04/exporting-a-pdf-to-excel/
• Saya baru saja melakukannya dan itu bekerja seperti pesona.

Foxit akan beralih antara menampilkan file asli sebagai PDF normal atau sebagai teks dengan menekan Ctrl + 6 (Dengan sedikit mengutak-atik tingkat zoom mode teks, tidak ada banyak lompatan di posisi bolak-balik antara membaca dan menyalin)

Saya menemukan ini sangat berguna ( Hapus Line Breaks ):

Berikut ini adalah trik yang berguna untuk menyelesaikan ini dengan cepat tanpa harus menghapus semua jeda baris secara manual. Pada dasarnya, semua itu dilakukan secara otomatis mengganti semua jeda baris yang tidak diinginkan dengan satu spasi, membuat semua teks berjalan bersama menjadi satu paragraf:

1- menyalin teks yang Anda inginkan dari PDF.

2- tempel ke dokumen Word baru.

3- klik "edit" lalu "ganti"

4 - pastikan Anda berada di bidang "temukan apa"

5- klik "lebih" lalu "istimewa"

6- pilih "tanda paragraf" (atas daftar)

7- klik ke bidang "ganti dengan"

8 - tekan bilah spasi sekali

9 - klik "ganti semua"

10 - klik "ok" lalu tutup kotak "temukan & ganti".

Anda bisa menyalin dari adobe reader ke MS Excel dan memformat (tabel) seperti yang Anda inginkan dan kemudian menyalin dan menempel dari Excel. Solusi ini sangat bagus. Anda tidak perlu membeli salinan profesional batako yang mahal.

Saya mencoba untuk menyimpan teks dan format pdf yang disusun dalam sebuah tabel. Di Acrobat Professional, saya menyadari ada opsi 'Simpan Sebagai' yang memungkinkan menyimpan sebagai dokumen excel. Ini bekerja dengan baik untuk kebutuhan saya. Saya juga memperhatikan ada opsi dokumen Save As Word juga. Saya tidak mencobanya.