من PDF إلى نص

تُقرأ طبقة النص مباشرة من داخل ملف PDF ويُعاد تجميعها فقرات، مستعينة بالتباعد ومواضع الأسطر لتقرر أين تنتهي فقرة وتبدأ التي تليها، بدل القطع عند كل سطر. وتتكرر الرؤوس والتذييلات في كل صفحة، فيمكن كشفها وإسقاطها، وهذا ما يفعله خيار إزالة الرؤوس والتذييلات. والناتج نص عادي: بلا خطوط، وبلا أعمدة، وبلا أرقام صفحات ما لم تُبقِها.

يحمل ملف PDF الممسوح ضوئيًا صورًا للكلمات لا كلمات، فلا يخرج منه شيء؛ مرّره أولًا على OCR للـ PDF. أما التخطيطات متعددة الأعمدة فتُقرأ بالترتيب الذي كُتب به النص داخل الملف، وهو صحيح غالبًا لكنه يشابك الأعمدة أحيانًا. والجداول تفقد بنيتها بالكامل، لأن النص العادي لا يعرف الخلايا: استخدم تحويل PDF إلى Excel إن كانت الأرقام هي المهمة.