Como posso copiar texto de um PDF enquanto preservo a formatação?

Índice:

Como posso copiar texto de um PDF enquanto preservo a formatação?
Como posso copiar texto de um PDF enquanto preservo a formatação?

Vídeo: Como posso copiar texto de um PDF enquanto preservo a formatação?

Vídeo: Como posso copiar texto de um PDF enquanto preservo a formatação?
Vídeo: Como remover anúncios de aplicativos do celular #celular #android #dicas - YouTube 2024, Abril
Anonim
O PDF, o formato de documento onipresente, é ótimo para compartilhar documentos, preservando fontes, imagens e o layout geral em todas as plataformas. Existe uma maneira fácil, no entanto, de preservar essa mesma formatação ao copiar e colar texto do documento?
O PDF, o formato de documento onipresente, é ótimo para compartilhar documentos, preservando fontes, imagens e o layout geral em todas as plataformas. Existe uma maneira fácil, no entanto, de preservar essa mesma formatação ao copiar e colar texto do documento?

A sessão de perguntas e respostas de hoje nos é oferecida por cortesia do SuperUser, uma subdivisão do Stack Exchange, um agrupamento de sites de perguntas e respostas conduzido pela comunidade.

A questão

Leitor SuperUser Colen está procurando uma maneira de extrair texto de PDFs preservando a formatação:

When I copy text out of a PDF file and into a text editor, it ends up mangled in a variety of ways. Formatting like bold and italics are lost; soft line breaks within a paragraph of text are converted to hard line breaks; dashes to break a word over two lines are preserved even when they shouldn’t be; and single and double quotes are replaced with ? signs.

Ideally, I’d like to be able to copy text from a PDF and have formatting converted to HTML codes, “smart quotes” converted to” and ‘, and line breaks done properly. Is there any way to do this?

Existe uma maneira rápida e fácil para Colen (e o resto de nós) pegar texto sem sacrificar a formatação?

A resposta

Contribuinte do SuperUser A Frabjous oferece uma solução combinada com uma forte dose de cautela:

Firstly, you have to understand what a PDF is. PDFs are designed to mimic a printed page, and they are designed only as an output format, not an input format. a PDF is basically a map containing the exact location of characters (individual letters or punctuation, etc.) or images. In most cases, a PDF does not even store information about where one word ends and another begins, much less things like soft breaks vs. hard breaks for paragraph endings.

(A few recent PDFs do store some information about this stuff, but that’s a new technology, and you’d be lucky to find PDFs like that. Even if you did, your PDF viewer might not know about it.)

Anyway, it’s up to your software to implement some kind of “artificial intelligence” to extract merely from the locations of individual characters what is a word, what is a paragraph, and so on. Different software is going to do this better than others, and it’s also going to depend on how the PDF was made. In any case, you should never expect perfect results. Having the output PDF is not the same as having the source document. Far better to try to obtain that if you can.

The standard solution to your kind of problem is to use Adobe Acrobat Professional (the expensive one, not the free reader) to convert the PDF to HTML. Even that is not going to get perfect results.

There is free software that can be used to extract text from PDFs with some of formatting intact, but again, don’t expect perfect results. See, e.g., calibre (which can convert to RTF format), pdftohtml/pdfreflow, or the AbiWord word processor (with all import/export plugins enabled). There’s also a PDF import plugin for OpenOffice.

But please don’t expect perfection with any of these results. You’re going against the grain here. PDF just is not meant as an editable input format.

Se você está tendo problemas para decidir qual ferramenta para começar, Calibre é um verdadeiro documento canivete suíço. Você também pode usá-lo para converter arquivos PDF para uso em seu leitor de ebook e organizar sua biblioteca de e-books / documentos.

Tem algo a acrescentar à explicação? Soe fora nos comentários. Quer ler mais respostas de outros usuários do Stack Exchange com experiência em tecnologia? Confira o tópico de discussão completo aqui.

Recomendado: