אם PDF נראה תקין אך הדבקה בעורך טקסט רגיל מייצרת תווים שונים, בדוק את הסיבה לפני החלפת גופנים או הפעלת OCR. ייתכן שהמיפוי בין הצורה המצוירת בדף לבין התו שהוא מייצג שגוי. תיקון שגיאות טקסט אלו של PDF מתחיל בזיהוי איזה חלק בתהליך זה נכשל.
מדוע טקסט יכול להיראות נכון אך להעתיק אותו בצורה שגויה?
תוכן טקסט PDF יכול לאחסן קודי תו מקור ספציפי לגופן במקום טקסט Unicode. קורא PDF משתמש בגופן ובמידע הקידוד כדי לאתר ולצייר גליף. העתקה דורשת גם תרגום קודים אלה לתווים בעלי משמעות.
ציור האות A לפיכך אינו מבטיח שהחילוץ יחזיר את A. ToUnicode הוא מיפוי במילון גופנים המשייך קודי תווים מקור PDF עם רצפי תווים Unicode. הבחנה זו בין הצגת וחילוץ טקסט מתוארת ב-Adobe PDF Reference, סעיף 5.9.
מה המשמעות של מיפוי גופנים בעצם?
שלושת המושגים האלה קשורים זה לזה, אבל הם לא ניתנים להחלפה:
| מיפוי | תפקיד ראשי |
|---|---|
טבלת cmap בתוך קובץ גופנים | ממפה קודי תווים למדדי גליפים; טבלאות משנה Unicode משתמשות בקודי Unicode |
| קידוד PDF; גופנים מרוכבים יכולים להשתמש ב-Encoding CMap | מפרש את קודי תו המקור של PDF ועוזר באיתור הגליף לציור |
PDF ToUnicode | ממפה את קודי תווי המקור PDF לטקסט Unicode להעתקה וחילוץ |
לסוג הראשון, עיין ב-מפרט OpenType cmap. התיקון הנדון כאן מכוון לשלישי; זה לא בונה מחדש את קובץ הגופן או מחליף את הגליפים בדף.
מיפוי ToUnicode חסר לא תמיד גורם לטקסט משובש. קורא PDF יכול לפעמים לשחזר טקסט מקידוד סטנדרטי, שמות גליפים ידועים או אוסף תווים. לעומת זאת, טבלת מיפוי יכולה להתקיים ועדיין להכיל אסוציאציות שגויות.
ראשית בדוק אם המיפוי הוא הבעיה
העתק קטע קצר לעורך טקסט רגיל והשווה אותו לדף המקורי:
| סִימפּטוֹם | מה לבדוק קודם |
|---|---|
| הדף נראה תקין, אך תווים שהועתקו הופכים בעקביות לדמויות אחרות | מיפוי תווים חסר או שגוי |
| אתה יכול לבחור רק תמונה, לא טקסט | שכבת טקסט חסרה או טקסט שהומר לקווי מתאר; שקול את קובץ המקור או OCR |
| ניתן לבחור טקסט בעמוד סרוק, אך הוא אינו תואם לתמונה | זיהוי מביא לשכבת הטקסט OCR |
| תווים בודדים נכונים, אך עמודות או טבלאות אינן תקינות | סדר קריאה וחילוץ פריסה |
| הדף עצמו מכיל תווים או תיבות חסרות | משאבי גופנים, כיסוי גליפים או קידוד תצוגה |
אלו הם רמזים לפתרון בעיות, לא אבחנות המבוססות על מראה חיצוני בלבד. הטבעת גופנים והעתקה נכונה הם גם דאגות נפרדות; ראה הטמעת גופנים ותתי קבוצות PDF.
כיצד ניתן לתקן טקסט שהועתק באמצעות הגליפים המקוריים?
נניח שקוד המקור <0001> בגופן מסוים מצייר את A אך ממפה באופן שגוי ל-错 (U+9519). זהו קטע מיפוי להמחשה, לא קובץ CMap שלם:
Before: <0001> <9519>
After: <0001> <0041>
<0001> הוא קוד מקור PDF בגופן זה, לא התו Unicode U+0001. מיפוי זה ל-U+0041 מציין שהגליף מייצג את A. ייתכן ש-ligature (מספר אותיות חולקות גליף אחד) גם צריך למפות למספר תווים Unicode, כגון fi.
לאחר שאישרת שתיקון המיפוי מתאים, השתמש ב-כלי תיקון טקסט PDF:
- בחר את ה-PDF ולאחר מכן בחר את הגופן לתיקון.
- השווה את הגליפים המקוריים ברשת והזן את הטקסט הנכון מתחת לכל גליף.
- ייצא את ה-PDF המתוקן ושמור את המקור לשם השוואה.
שינוי חל בכל מקום שבו נעשה שימוש באותו גופן וקוד מקור. בדוק גופנים נפרדים בנפרד, גם כאשר שמותיהם תואמים. אם OCR זיהה רק מילה אחת שגויה, מיפוי מחדש של תו עשוי גם להזיק לטקסט שכבר היה נכון.
איך מוודאים את התיקון?
פתח מחדש את הקובץ המיוצא והעתק וחפש טקסט לדוגמה בקורא היעד שלך PDF. בדוק מופעים אחרים של אותו קוד וגופנים שלא ערכת. השווה את מראה הדף ובדוק את סימני הפיסוק, הקשרים והמספרים, במקום לבדוק רק את התו השגוי הראשון.
חלק מקובצי PDF משתמשים גם ב-ActualText כדי לספק טקסט חלופי, שתוכנה תומכת עשויה להעדיף. אם שינוי ToUnicode לא פותר את הבעיה, בדוק אם יש עקיפה זו. הכלי הנוכחי מזהיר מפני ActualText אך אינו עורך אותו. עיין ב-הסבר האגודה PDF.
עבור שגיאות OCR, תקן או זיהה שוב את שכבת הטקסט. אם יש לך את קובץ הפריסה המקורי, שקול לתקן אותו ולייצא PDF חדש. קבצים שלא יפתחו או יפעילו שגיאות מבניות זקוקים לגישה אחרת; ראה כאשר תיקון פורמט PDF מתאים.
לאחר שזיהית בעיה במיפוי תווים של גופן, תקן אותה באמצעות ה-כלי תיקון טקסט מקומי PDF. קבצים מעובדים בדפדפן שלך מבלי להעלות אותם. אתה עדיין צריך לאמת את הטקסט שהועתק ואת מראה הדף לאחר הייצוא.
