PDF'dan matnni qanday nusxalash

Nima uchun PDF'lardan matnni nusxalash juda qiyin?

PDF'lar tahrirlash uchun emas, balki chop etish uchun yaratilgan. Matn uzluksiz oqim sifatida oqadigan Word hujjatidan farqli o'laroq, PDF har bir belgini sahifadagi aniq x/y koordinatalarida saqlaydi — xuddi tartib sxemasi kabi. Tanlash va nusxalashga urinayotganda, PDF ko'ruvchingiz qaysi belgilar so'zni, qaysi so'zlar qatorni va qaysi qatorlar paragrafni tashkil qilishini teskari muhandislik qilishi kerak. U ko'pincha noto'g'ri taxmin qiladi.

Bu ko'p ustunli tartiblar (A ustunidagi matn B ustuni bilan aralashadi), jadvallar (katakchalar chalkash tartibsizlik sifatida joylashtiriladi) va sarlavhalar/altbilgilar (ular paragraf o'rtasiga kiritiladi) bilan yanada yomonlashadi. Va bu PDF'da tanlanadigan matn borligini taxmin qiladi — skanerlangan hujjatlar faqat rasmdir, shuning uchun tanlash uchun hech narsa yo'q.

Qaysi usuldan foydalanish kerakligi sizda qanday PDF borligiga bog'liq. Eng oddiyidan eng kuchlisigacha bo'lgan 4 ta yondashuv.

Usul 1: PDF ko'ruvchingizda yoki brauzeringizda tanlang va nusxalang (eng oddiy)

Bu yerdan boshlang — bu eng tezkor usul va qo'shimcha vositalarni talab qilmaydi. PDF'ni har qanday ko'ruvchida oching: Adobe Acrobat Reader (bepul), Mac'da Preview yoki oddiygina PDF'ni Chrome, Edge yoki Firefox'ga torting. Barcha zamonaviy brauzerlarda matn tanlashni qo'llab-quvvatlovchi o'rnatilgan PDF ko'ruvchilari mavjud.

Kerakli matnni ajratib ko'rsatish uchun sichqoncha bilan bosing va sudrab oling, so'ngra Ctrl+C (Windows/Linux) yoki Cmd+C (Mac) tugmalarini bosing. Har qanday matn muharriri, elektron pochta yoki hujjatga joylashtiring.

Pro maslahat: Adobe Acrobat Reader'da joriy sahifadagi barcha matnni tanlash uchun Edit → Select All (Ctrl+A / Cmd+A) dan foydalaning. Chrome'da, shuningdek, PDF ichida qidirish uchun Ctrl+F dan foydalanishingiz va keyin ajratilgan natijalarni nusxalashingiz mumkin.

Bu qachon ishlaydi: Oddiy, bitta ustunli tartiblar va tanlanadigan matnga ega bo'lgan PDF'lar — ko'pgina biznes xatlari, hisob-fakturalari va hisobotlari.

Bu qachon ishlamaydi: Matn ajratilmaydi (skanerlangan PDF yoki nusxalashdan himoyalangan), joylashtirilgan matn chalkash (kodlash muammosi) yoki ko'p ustunli matn chalkashib ketadi. Agar bularning bittasi bo'lsa, 2-usulni sinab ko'ring.

Usul 2: PDF'ni Google Docs'da oching (bepul, skanerlangan PDF'larni qayta ishlaydi)

Google Docs PDF'larni, shu jumladan skanerlangan hujjatlarni tahrirlanishi mumkin bo'lgan matnga aylantira oladi — va bu butunlay bepul.

1-qadam: PDF'ni Google Drive'ga yuklang (drive.google.com). 2-qadam: Faylni o'ng tugma bilan bosing va "Open with → Google Docs" ni tanlang. 3-qadam: Google PDF'ni tahrirlanishi mumkin bo'lgan hujjatga aylantiradi. Endi siz har qanday matnni tanlashingiz va nusxalashingiz mumkin.

Orqa fonda, Google rasmga asoslangan sahifalarga OCR (Optical Character Recognition) ni qo'llaydi, shuning uchun bu skanerlangan hujjatlar bilan ham ishlaydi. Shuningdek, u faylni server tomonida qayta ishlagani uchun nusxalashdan himoyalangan PDF'larni ham qayta ishlaydi.

Cheklovlar: Google Docs murakkab formatlash bilan kurashadi. Ko'p ustunli tartiblar ko'pincha noto'g'ri tartibda bitta ustunga aylanadi. Jadval tuzilishini yo'qotishi mumkin. Va katta hajmli PDF'lar (50+ sahifa) uchun konvertatsiya sekin yoki to'liq bo'lmasligi mumkin. Agar formatlash muhim bo'lsa, 3-usulni ko'rib chiqing.

Usul 3: Maxsus matn ajratish vositasi (murakkab PDF'lar uchun eng yaxshi)

1 va 2-usullar ishlamaganda — yoki murakkab hujjattan toza, to'g'ri formatlangan matn olish kerak bo'lsa — maxsus ajratish vositasi eng ishonchli variantdir.

ParseJet kabi vositalar aynan shu muammo uchun yaratilgan. Ular PDF'ning ichki tuzilishini tahlil qiladi (yoki skanerlangan sahifalarga OCR qo'llaydi) va matnni to'g'ri o'qish tartibida ajratadi, paragraf uzilishlarini saqlab qoladi va ustunlarni to'g'ri ajratadi.

ParseJet'dan qanday foydalanish: parsejet.com/tools/extract-text-from-pdf → PDF'ingizni tortib tashlang → ajratilgan matnni nusxalang. Ro'yxatdan o'tish yoki o'rnatish talab qilinmaydi — kuniga 3 ta bepul ajratish imkoniyatiga ega bo'lasiz.

Nima uchun bu boshqa usullar ishlamaganda ishlaydi: Maxsus ajratish vositalari oddiyroq usullarni adashtiruvchi barcha chek holatlarini qayta ishlaydi — skanerlangan rasmlar (OCR), nusxalashdan himoya (server tomonida qayta ishlash), maxsus shrift kodlash (belgi xaritalash aniqlik), ko'p ustunli tartiblar (o'qish tartibini aniqlash) va jadvallar (tuzilishni saqlash).

Bu, shuningdek, sizga jumlalar o'rtasida tasodifiy uzilishlar bilan qatorma-qator chiqish o'rniga, toza, paragraf darajasidagi matnni beradigan yagona usuldur.

Usul 4: Buyruq qatori vositasi (dasturchilar va partiyaviy qayta ishlash uchun)

Agar siz ko'plab PDF'lardan matnni dasturiy ravishda ajratishni istasangiz, buyruq qatori vositalari va kutubxonalari to'g'ri yo'ldir.

pdftotext (poppler-utils'dan) klassik Unix vositasi: "apt install poppler-utils" (Linux) yoki "brew install poppler" (Mac) bilan o'rnating, so'ngra "pdftotext input.pdf output.txt" ni ishga tushiring. Bu tezkor, lekin OCR qo'llab-quvvatlamaydi va murakkab tartiblarni yomon qayta ishlaydi.

pdfplumber (Python) sizga ko'proq nazorat beradi: "pip install pdfplumber", so'ngra sahifalar bo'yicha matnni ajratish, jadval aniqlash va tartib tahlili bilan Python API'dan foydalaning. Hisob-fakturalar va shakllar kabi tuzilgan hujjatlar uchun ajoyib.

pdf-parse (Node.js) mashhur npm paketidir: "npm install pdf-parse", so'ngra bir necha qator JavaScript bilan matnni ajrating. E'tibor bering, u mahalliy binar fayllarga bog'liq va texnik xizmat ko'rsatish muammolari bo'lgan.

Har qanday tildan ishlaydigan, hech qanday bog'liqliksiz alternativ uchun siz ParseJet API'sini chaqirishingiz mumkin — fayl uchun bitta HTTP POST, o'rnatish uchun kutubxonalar yo'q va u OCR va murakkab tartiblarni avtomatik ravishda qayta ishlaydi. Bu, ayniqsa, mahalliy bog'liqliklarni o'rnatish og'riqli bo'lgan serverless muhitlarda (Lambda, Vercel, Cloudflare Workers) foydalidir.

Skanerlangan PDF'lar haqida nima deyish mumkin?

Agar PDF'ingiz jismoniy hujjatni skanerlash yoki rasm olish orqali yaratilgan bo'lsa, sahifalar rasmdir — qaysi ko'ruvchidan foydalanmasligingizdan qat'i nazar, tanlash uchun matn yo'q. Rasmni matnga aylantirish uchun sizga OCR (Optical Character Recognition) kerak.

Skanerlangan PDF'lar uchun variantlaringiz: Google Docs (2-usul) bepul OCR qo'llaydi, lekin tartiblarni chalkashtirishi mumkin. ParseJet (3-usul) yaxshiroq tartib aniqlik bilan OCR qo'llaydi. Tesseract (ochiq manbali CLI vositasi) yana bir bepul variant, lekin o'rnatish va sozlashni talab qiladi.

PDF'ingiz skanerlanganligini qanday aniqlash mumkin: 400%+ gacha yaqinlashtirishga harakat qiling. Agar matn biroz xiralashgan yoki pikselatsiyalangan (fotosurat kabi) ko'rinsa, bu rasmdir. Agar belgilar har qanday yaqinlashtirish darajasida mukammal ravishda aniq bo'lsa, bu matnga asoslangan PDF'dir.

Tez taqqoslash: qaysi usuldan foydalanish kerak?

Oddiy PDF, bitta ustun: 1-usul (ko'ruvchingizda tanlang va nusxalang). Bu darhol va bepul.

Skanerlangan PDF yoki nusxalashdan himoyalangan: Bepul yechim uchun 2-usul (Google Docs) yoki murakkab tartiblar bilan yaxshiroq aniqlik uchun 3-usul (ParseJet).

Ko'p ustunli, jadvallar yoki chalkash matn: 3-usul (ParseJet) — bu tartib aniqlash va kodlash muammolarini ishonchli ravishda qayta ishlaydigan yagona usul.

Partiyaviy qayta ishlash (10+ PDF): Avtomatlashtirish uchun 4-usul (buyruq qatori vositalari yoki ParseJet API'si).