PDF-dan matn nima uchun nusxalab bo‘lmaydi?

1. PDF skanerlangan rasm (eng keng tarqalgan)

Bu odamlar PDF-dan matn nusxalab bo‘lmasligining eng asosiy sababi. Hujjat skanerlanganida — plenka skaneri, ko‘p funksiyali printer yoki CamScanner kabi telefon kamera ilovasi bilan — natijada olingan PDF har bir sahifaning fotosuratini o‘z ichiga oladi, haqiqiy matn belgilarini emas. Sizning PDF ko‘ruvchingiz uni oddiy ko‘rinadigan hujjat sifatida ko‘rsatadi, lekin tanlash uchun hech narsa yo‘q, chunki har bir sahifa shunchaki rasmdir.

Bu eski hujjatlar, davlat shakllari, raqamli davrdan oldingi akademik maqolalar va siz jismoniy chop etilgan nusxa sifatida olgan va keyin elektron tarqatish uchun skanerlangan har qanday narsa bilan juda keng tarqalgan.

Qanday aniqlash mumkin: Matn ustida bosib sudrab o‘tkazishga urinib ko‘ring. Agar hech narsa ajralib turmasa yoki butun sahifa bir katta blok sifatida tanlansa (rasmni tanlagandek), bu skanerlangan PDF. Yana bir sinov: 400% gacha kattalashtiring — agar matn biroz xiralashgan yoki fotosurat kabi piksel-piksel bo‘lib ko‘rinsa, bu rasmdir.

Yechim: Rasmlarni matnga aylantirish uchun OCR (Optik belgi tanib olish) dasturiga ehtiyoj bor. Bepul variantlarga Google Docs (Google Drive-ga yuklash → "Ochish → Google Docs") va ochiq manbali Tesseract CLI vositasi kiradi. Aniqroq natijalar uchun — ayniqsa murakkab tartib, jadvallar yoki inglizcha bo‘lmagan matnlar bilan — ParseJet kabi maxsus vositasi OCR-ni avtomatik qo‘llaydi va o‘qish tartibini saqlab qoladi.

2. PDF-da nusxalash himoyasi yoqilgan

PDF yaratuvchilari matnni tanlash va nusxalashni o‘chirib qo‘yadigan xavfsizlik ruxsatlarini o‘rnatishi mumkin. Bu nashr etilgan elektron kitoblar, "maxfiy" deb belgilangan korporativ hisobotlar, davlat nashrlari va JSTOR yoki IEEE kabi pullik ma‘lumotlar bazalaridan olingan hujjatlar bilan keng tarqalgan.

Odatda siz hujjatni ekranda o‘qishingiz mumkin — cheklov faqat nusxalash funksiyasini bloklaydi. Ba‘zi ko‘ruvchilar qulf belgisini ko‘rsatadi yoki sarlavha panelida "Ximoyalangan" deb ko‘rsatadi.

Qanday aniqlash mumkin: Adobe Acrobat Reader-da, Fayl → Xususiyatlar → Xavfsizlik yorlig‘iga o‘ting. "Hujjat cheklovlari xulosasi" ga qarang. Agar "Kontentni nusxalash" "Ruxsat etilmagan" deb ko‘rsatilsa, nusxalash himoyasi faol. Chrome PDF ko‘ruvchisida Ctrl+A ni sinab ko‘ring — agar hech narsa tanlanmasa, PDF cheklangan bo‘lishi mumkin.

Yechim: Agar sizda kontentga qonuniy kirish huquqingiz bo‘lsa (uni sotib olgansiz, vakolatli kanallar orqali olgansiz yoki bu ochiq davlat hujjati), PDF-ni server tomonida qayta ishlaydigan vositalar matnni ajratib olishi mumkin. Google Docs ko‘pincha ishlaydi — Drive-ga yuklang va Google Doc sifatida oching. ParseJet ham buni hal qiladi, chunki u PDF-ni mijoz tomonidagi cheklovlarga rioya qilmasdan, o‘z serverida qayta ishlaydi.

3. Matn vektor konturlari sifatida ko‘rsatilgan

Bu ayyor narsa. Ba‘zi PDF-lar mukammal ravshan va professional ko‘rinadi, lekin "matn" aslida vektor shakllardan tashkil topgan — har bir harfning konturini chizadigan egri chiziqlar va yo‘llar, shrift belgilari emas. Bu dizayner Adobe Illustrator, InDesign yoki Figma-dan "Matnni konturlarga aylantirish" opsiyasi yoqilgan holda eksport qilganda sodir bo‘ladi (ko‘pincha shrift litsenziyalash muammolaridan qochish uchun qilinadi).

Natija ekranda haqiqiy matnga o‘xshash ko‘rinadi, lekin kompyuter uchun har bir harf mavhum chizma — kichik logotipga o‘xshaydi. Tanlash yoki nusxalash uchun hech qanday belgi yo‘q.

Qanday aniqlash mumkin: Belgini 800%+ gacha kattalashtiring. Haqiqiy matn mukammal ravshan qoladi, chunki u shriftdan ko‘rsatiladi. Konturli matn ham ravshan qoladi (u vektordir), lekin siz alohida belgilarni tanlay olmaysiz — kursoringiz butun matn blokini bitta ob‘ekt sifatida yoki umuman hech narsani tanlamaydi. Yana bir belgi: PDF fayl hajmi matnga boy hujjat uchun g‘ayrioddiy darajada katta, chunki vektor konturlari shrift bilan ko‘rsatilgan matnga qaraganda ko‘proq joy egallaydi.

Yechim: Asl belgi ma‘lumotlari yo‘qolganligi sababli, OCR matnni tiklashning yagona yo‘lidir. PDF-ni ParseJet yoki Google Docs-ga yuklang — OCR dvigateli vizual shakllarni o‘qiydi va haqiqiy matn belgilarini chiqaradi.

4. Maxsus shrift kodlashi matnni nusxalanganda tushunarsiz belgilarga aylantiradi

Bu matnni tanlab bo‘lmasligidan farq qiladi — bu yerda siz matnni tanlashingiz va nusxalashingiz mumkin, lekin nusxalaganingizda axlat olasiz: □□□□, "˙ˆ˜¯" kabi tasodifiy belgilar yoki butunlay noto‘g‘ri belgilar. PDF ekranda yaxshi ko‘rinadi, chunki ko‘ruvchi uni ko‘rsatish uchun o‘rnatilgan shriftdan foydalanadi, lekin asosiy belgi kodlari standart emas.

Bu PDF yaratuvchisi maxsus kodlash jadvalidan foydalanadigan shriftning kichik qismini o‘rnatganda sodir bo‘ladi. 65 belgi kodini "A" harfiga (standart ASCII) bog‘lash o‘rniga, shrift 65 kodini "Z" yoki boshqa belgiga bog‘lashi mumkin. Ko‘ruvchi uni shrift yordamida to‘g‘ri ko‘rsatishni biladi, lekin nusxalash shrift ma‘lumotlarini olib tashlaydi, sizni xom (noto‘g‘ri) belgi kodlari bilan qoldiradi.

Qanday aniqlash mumkin: Matn qatorini tanlang, uni Notepad yoki har qanday oddiy matn muharririga nusxalang. Agar natija o‘qib bo‘lmasa — belgilar, noto‘g‘ri harflar yoki bo‘sh kvadratlar — kodlash sababchidir.

Yechim: Standart nusxalash buni hal qila olmaydi, chunki muammo belgilar qanday saqlanishida. PDF-ning ichki shrift jadvallarini tahlil qiladigan vositalar belgilarni standart kodlashga qayta xaritaga solishi mumkin. ParseJet buni ajratish paytida avtomatik ravishda amalga oshiradi. Shu bilan birga, siz Adobe Acrobat Pro-ning "Matn sifatida saqlash" funksiyasini sinab ko‘rishingiz mumkin, bu ba‘zan kodlashni nusxalashga qaraganda yaxshiroq hal qiladi.

5. Ko‘p ustunli tartib matn tartibini chalkashtiradi

Bu texnik jihatdan "matn nusxalash ishlaydi" — lekin natija foydalanish uchun yaroqsiz. Ikki yoki uch ustunli PDF-larda (akademik maqolalar, gazetalar, jurnallar va yangiliklar xabarnomalarida keng tarqalgan) matnni kursor bilan tanlash butun sahifa kengligi bo‘ylab chapdan o‘ngga matnni oladi. A ustunining 1-qatori B ustunining 1-qatori bilan birlashtiriladi, keyin A ustunining 2-qatori B ustunining 2-qatori bilan, bu navbatma-navbat chalkashlikni yaratadi.

Jadvallarda ham xuddi shu muammo bor. Jadvalni tanlaganingizda va nusxalaganingizda, odatda, qatorlar va ustunlar o‘rtasida aniq ajralish bo‘lmagan holda, oldindan aytib bo‘lmaydigan tartibda aralashgan katak qiymatlarini olasiz.

Qanday aniqlash mumkin: Ko‘p ustunli maydonda matnni tanlang, uni matn muharririga nusxalang va o‘qing. Agar navbatdagi qatorlar sahifaning turli qismlaridan kelayotganga o‘xshasa, tartib muammosi.

Yechim: Sizga ustunlarni aniqlaydigan va har birini alohida, tartibda o‘qiydigan vositaga ehtiyoj bor. Adobe Acrobat Pro-da "O‘qish tartibi" vositasi bor, lekin u qo‘lda tuzatishni talab qiladi. ParseJet ustunlarni, jadvallarni va o‘qish tartibini avtomatik aniqlaydi, matnni to‘g‘ri ketma-ketlikda ajratib oladi.

6. PDF buzilgan yoki to‘liq emas

Ba‘zan PDF faylining o‘zi shikastlangan — yuklab olish paytida kesilgan (fayl hajmi g‘alati darajada kichik), nosoz dastur tomonidan yaratilgan yoki qisman qayta yozilgan. Ko‘ruvchi ba‘zi yoki barcha sahifalarni vizual ravishda ko‘rsatishi mumkin, lekin ichki matn ma‘lumotlari yo‘qolgan yoki buzilgan, shuning uchun tanlash va nusxalash sekin muvaffaqiyatsizlikka uchraydi.

Qanday aniqlash mumkin: PDF-ni ochishda ogohlantirish xabarlarini tekshiring ("Bu hujjat shikastlangan bo‘lishi mumkin"). Fayl hajmini kutgan narsangiz bilan solishtiring — 200 sahifali hisobot faqat 50 KB bo‘lsa, deyarli albatta buzilgan. Faylni boshqa ko‘ruvchida ochishga urinib ko‘ring (Chrome vs Adobe vs Preview) — agar ularning barchasi qiynalsa, fayl shikastlangan.

Yechim: Birinchidan, faylni asl manbadan qayta yuklab olishga urinib ko‘ring. Agar bu mumkin bo‘lmasa, uni Google Chrome-da ochishga urinib ko‘ring (nisbatan chidamli PDF ko‘rsatuvchisi bor) va u yerdan nusxalang. Oxirgi chora sifatida, ParseJet ko‘pincha boshqa vositalarni butunlay ishdan chiqaradigan qisman buzilgan PDF-lardan matn ajratib olishi mumkin, chunki u standart PDF ko‘rsatish jarayoniga tayanmasdan, xom PDF bayt oqimini qayta ishlaydi.

Xulosa: o‘zingizning muammongizni qanday aniqlash va hal qilish

Matnni umuman tanlab bo‘lmaydi → Ko‘p ehtimol skanerlangan rasm (#1), vektor konturlari (#3) yoki nusxalash himoyasi (#2). Avval Google Docs-ni sinab ko‘ring (bepul), keyin qiyin holatlar uchun ParseJet kabi maxsus vositani.

Matn tanlanadi, lekin nusxalanganda tushunarsiz belgilar chiqadi → Maxsus shrift kodlashi (#4). Belgilarni qayta xaritaga solish uchun ParseJet yoki Adobe Acrobat Pro-ning "Matn sifatida saqlash" funksiyasidan foydalaning.

Matn nusxalanadi, lekin noto‘g‘ri tartibda → Ko‘p ustunli yoki jadval tartibi (#5). ParseJet kabi tartibni hisobga oladigan ajratish vositasidan foydalaning.

Faylni ochib bo‘lmaydi yoki ba‘zi sahifalar bo‘sh → Buzilgan PDF (#6). Manbadan qayta yuklang yoki qisman buzilishni hal qiladigan ParseJet-ni sinab ko‘ring.