Mengapa teks yang disalin dari PDF menjadi kacau
Mengapa teks yang saya salin dari PDF menjadi kacau saat ditempel?
Simpan alat favorit Anda
Buat akun iBuildPDF gratis untuk menyimpan alat favorit Anda dan menemukannya dengan cepat kapan saja.
Akun gratis. Alat PDF-nya sendiri tidak pernah memerlukan akun.
Jawaban singkat
Karena apa yang ditampilkan PDF dan apa yang bisa diserahkannya kepada Anda adalah dua peta yang terpisah. Halaman menggambar kode-kode bernomor melalui font, itulah yang membuatnya tampak benar; menyalin memerlukan tabel kedua yang menyatakan karakter apa yang diwakili setiap kode, dan tabel itu bersifat opsional. Jika tabel itu hilang atau salah, halamannya sempurna sementara isi papan klip kacau, dan mencoba berulang kali tidak mengubah apa pun.
PDF menggambar glif, bukan karakter
Aliran konten sebuah halaman tidak berisi teks Anda. Isinya angka.
Dua peta, dan hanya satu yang wajib
- Halaman menyimpan kode, bukan huruf. Dengan sendirinya, angka-angka ini tidak bermakna apa pun.
- Font mengubah setiap kode menjadi kontur. Inilah peta yang wajib dimiliki PDF, dan yang membuat halaman tampak benar.
- Menyalin memerlukan peta yang lain — dari kode ke karakter Unicode — dan file bisa ditulis tanpanya. Maka tidak ada yang bisa diserahkan.
- Jadi halaman bisa sempurna sementara isi papan klip omong kosong pada saat yang sama. Tidak ada yang rusak; sebuah tabel memang tidak pernah ditulis.
Setiap angka adalah kode. Sumber daya font yang melekat pada halaman memetakan kode itu ke sebuah kontur — bentuk yang akan digambar. Itulah satu-satunya peta yang wajib dimiliki PDF, karena hanya itu yang diperlukan untuk menaruh tanda di halaman, dan itulah sebabnya dokumen tampak sempurna.
Menyalin memerlukan peta ke arah sebaliknya: kode ini berarti karakter U+0041, huruf A kapital. ISO 32000-1 menyediakan persis hal itu, sebagai CMap ToUnicode yang melekat pada font. Sifatnya opsional. Aplikasi pembuat yang hanya peduli agar dokumen tercetak dengan benar tidak punya alasan untuk menuliskannya, dan tidak ada apa pun di file yang mengeluhkan ketiadaannya.
Subset font memperparah kegagalan ini. Jika aplikasi pembuat hanya menanamkan glif yang benar-benar dipakai dokumen, aplikasi itu bebas menomorinya sesukanya — biasanya 1, 2, 3 sesuai urutan karakter pertama kali muncul. Tanpa peta ToUnicode, angka-angka itu sama sekali tidak bermakna; dengan peta itu, maknanya sesuai yang dinyatakannya. Mengapa PDF tampak berbeda di komputer lain membahas subset dan kejutan lain yang ditimbulkannya.
Akibat yang perlu dipahami: ini sifat file-nya, bukan komputer Anda. Mengganti pembaca, sistem operasi, pengaturan font, atau tempat menempel tidak akan membantu, karena semuanya membaca tabel yang sama yang tidak ada. Itu juga sebabnya pencarian di dalam dokumen tidak menemukan apa pun — pembaca membandingkan apa yang Anda ketik dengan peta rusak yang sama.
Yang mana yang Anda alami
Gejalanya cukup andal untuk mengenali penyebabnya, dan penyebabnya menentukan apakah ada yang bisa dilakukan.
| Yang Anda dapatkan | Penyebabnya | Bisa diperbaiki? |
|---|---|---|
| Tidak ada yang terpilih; kursor tidak menangkap kata apa pun | Tidak ada teks. Halamannya gambar. | Ya, dengan mengenalinya — OCR |
| Semua karakter salah secara konsisten — abjad yang bergeser, atau deretan kotak | Peta ToUnicode yang hilang atau salah | Tidak di tempat. OCR, atau ketik ulang |
Sebagian besar benar, tetapi fi, fl, dan ffi hilang atau menjadi satu karakter aneh | Glif ligatur tanpa pemetaan karakter | Ya — cari dan ganti sesudahnya |
Karakter benar, tanpa spasi: thequickbrown | File sama sekali tidak berisi karakter spasi | Sering bisa, dengan pengambil teks lain |
Karakter benar, spasi di dalam kata: t h e | Jarak antarhuruf yang lebar di tata letak terbaca sebagai celah | Sering bisa, dengan pengambil teks lain |
| Kata benar, urutan salah — dua kolom berselang-seling, catatan kaki di tengah kalimat | Pengambilan mengikuti urutan tanda-tanda itu ditulis | Kadang-kadang. Tergantung file-nya |
| Tanda aksen terlepas, atau huruf terpecah menjadi dua karakter | Tanda penggabung disimpan terpisah dari huruf dasarnya | Ya — normalisasi Unicode |
Baris pertama adalah yang harus disingkirkan sebelum yang lain, karena umum terjadi dan bukan masalah yang dibahas artikel ini. Jika tidak ada yang tersorot saat Anda menyeret kursor di halaman, Anda memegang hasil pindaian, dan tidak ada teks yang bisa menjadi kacau.
Halaman yang sama, dengan dan tanpa teks
- PDF digital. Di layar, tidak bisa dibedakan dari yang di sebelah kanan.
- Di baliknya: kode-kode karakter, masing-masing dengan font dan posisi. Bisa dicari, dipilih, dan dikonversi.
- PDF hasil pindaian. Halaman yang sama, dan tampilan yang sama.
- Di baliknya: kisi sampel terang dan gelap. Tidak ada huruf, tidak ada kata, tidak ada yang bisa dicari.
Apakah PDF saya hasil pindaian atau teks membahas cara membedakan keduanya dalam beberapa detik.
Spasi dan urutan adalah masalah yang berbeda
Keduanya menghasilkan kekacauan yang tampak bisa dibaca, bukan omong kosong, dan penyebabnya berbeda dari peta yang hilang.
Mungkin tidak ada spasi di file
Tidak ada yang mewajibkan PDF berisi karakter spasi. Sebaris teks biasanya digambar sebagai rangkaian untaian dengan jarak numerik di antaranya, dan jarak itulah yang membuat celah antara dua kata. Apakah celah itu spasi adalah penilaian yang dibuat pengambil teks dari lebarnya: terlalu longgar dan kata-kata menyatu, terlalu bersemangat dan kata-kata terbelah dua. Ini heuristik, itulah sebabnya dua alat bisa berbeda pendapat tentang file yang sama dan tidak ada yang salah.
Urutannya adalah urutan saat digambar
Mengapa dua kolom keluar berselang-seling
- Dua kolom, digambar dengan benar. Anda melihat kolom karena letak tanda-tandanya, bukan karena file menyatakannya.
- Urutan tanda-tanda itu sebenarnya ditulis. Mesin tata letak sering berganti-ganti antarbingkai, dan tidak ada yang mencatat bahwa ini kolom.
- Pengambil teks mengikuti urutan itu, sehingga kolom keluar berselang-seling baris demi baris. PDF yang memiliki tag menyatakan urutan baca sebenarnya; yang tanpa tag tidak punya apa pun untuk dirujuk.
Aliran konten tersusun dalam urutan apa pun saat aplikasi pembuat mengeluarkan tanda-tandanya. Mesin tata letak yang bekerja melalui bingkai teks bisa berganti-ganti di antara dua kolom; sebuah templat bisa menempatkan footer sebelum isi; tabel bisa digambar sel demi sel menuruni kolom alih-alih melintasi baris. Tidak ada apa pun di PDF biasa yang mencatat bahwa tanda-tanda ini adalah kolom, catatan kaki, atau tabel — kolom itu ada dalam cara Anda membaca halaman, bukan di dalam file.
Pengambil teks mengimbanginya dengan mengurutkan tanda berdasarkan posisi, yang menangani halaman dua kolom sederhana dengan baik dan tata letak rumit dengan buruk. PDF yang memiliki tag adalah pengecualiannya: PDF itu membawa pohon struktur yang menyatakan urutan baca sebenarnya, dan pengambil teks yang menghormatinya mendapat jawaban yang benar tanpa menebak. Itulah salah satu manfaat praktis nyata dari tag, terlepas dari persyaratan aksesibilitas yang biasanya menjadi alasan keberadaannya — lihat apa yang membuat PDF aksesibel.
Apa yang benar-benar membantu, berurutan
- Coba pengambil teks lain sebelum yang lain. PDF ke teks berjalan di browser Anda dengan PDF.js dan menghormati peta
ToUnicodejika ada. Jika hasilnya teks yang benar, file itu tidak pernah menjadi masalah, melainkan cara pembaca Anda menyalin — penemuan dua menit yang layak dilakukan sebelum penemuan dua jam. - Jika petanya rusak, tidak ada alat lapisan teks yang bisa membantu. Setiap pengambil teks membaca tabel yang sama. Mengubah ke Word, ke spreadsheet, atau ke teks biasa semuanya merujuk tabel itu, sehingga semuanya menghasilkan omong kosong yang sama dalam bungkus yang berbeda. Di titik inilah sebaiknya berhenti mencoba alat lain.
- Abaikan lapisan teks dan baca halaman sebagai gambar. Itulah OCR: merender halaman, mengenali bentuk-bentuknya, lalu menulis lapisan teks baru. Itulah satu-satunya jalan andal keluar dari peta yang rusak, dan ada dua harganya — pengenalan membuat kesalahannya sendiri, dan alat ini berjalan di server, jadi dokumennya diunggah. Untuk file rahasia, itu keputusan, bukan sekadar klik.
- Jika masalahnya spasi atau urutan, ambil teksnya lalu rapikan. Satu kali cari dan ganti pada teks yang diambil biasanya memperbaiki ligatur dan kata yang menyatu lebih cepat daripada alat apa pun. Untuk dokumen yang perlu terus Anda kerjakan, PDF ke Word memberi Anda sesuatu yang bisa diedit untuk diperbaiki — juga di server, dan apa yang bisa dan tidak bisa dipulihkannya layak dibaca dulu.
- Jika Anda yang membuat file-nya, perbaiki di sumbernya. Ekspor alih-alih mencetak ke PDF, tanamkan font-nya, dan beri tag pada dokumen. File yang diekspor dari pengolah kata versi terbaru hampir selalu bisa disalin dengan benar, dan yang tidak biasanya adalah file yang melewati driver printer di tengah jalan.
Dan satu yang tidak menarik: untuk satu atau dua halaman, mengetik ulang sering lebih cepat daripada semua cara di atas. Ini layak dikatakan terang-terangan, karena orang menghabiskan satu jam untuk pekerjaan lima menit karena merasa komputer seharusnya bisa melakukannya.
Apa yang tidak bisa dilakukan alat apa pun
- Alat tidak bisa membangun ulang peta yang tidak pernah ditulis. Informasinya tidak tersembunyi atau terenkripsi, melainkan tidak ada. Apa pun yang mengaku bisa memperbaiki peta
ToUnicodeyang rusak sebenarnya menyimpulkan karakter dari bentuk glif, yang tidak lain adalah pengenalan karakter optik dengan label berbeda. - OCR memberi Anda tebakan terbaik yang baru, bukan teks aslinya. Kesalahannya berkumpul tepat di hal yang paling tidak boleh salah — angka, nomor rujukan, nama keluarga, apa pun yang tidak bisa Anda periksa dengan membaca maknanya. Periksa ulang apa pun yang akan menjadi dasar tindakan Anda.
- Pengambilan yang benar tetap bukan dokumennya. Tabel kembali sebagai baris, catatan kaki kembali di tengah teks, keterangan gambar kembali terlepas dari gambarnya. Benar di setiap karakter tidak memberi tahu apa pun tentang struktur, dan ketepatan setingkat karakter sebesar apa pun tidak akan pernah memberi tahu.
- Aksara kanan-ke-kiri dan aksara kompleks punya kegagalan kedua di atas yang ini. Sebagian aplikasi menulis bahasa Arab atau Ibrani dalam urutan visual, memakai bentuk presentasi alih-alih huruf dasarnya. Peta karakter yang benar lalu menghasilkan teks yang secara teknis benar tetapi terbaca terbalik, dan mengembalikannya ke urutan logis adalah pekerjaan tersendiri.
Kebiasaan yang berguna adalah menguji sebelum berkomitmen: ambil satu halaman, ambil teksnya, dan baca hasilnya. Dua menit di awal menentukan apakah dokumen ini pekerjaan salin-tempel atau pekerjaan mengetik ulang, dan itulah satu-satunya keputusan yang benar-benar penting di sini.
Alat yang dibahas artikel ini
Sumber
Dokumentasi utama untuk klaim di atas.



