II.2 Что такое «документ»: форматы и типы файлов
PDF — это не что-то одно
Два PDF могут выглядеть одинаково и вести себя совершенно по-разному.
- Договор Майи, экспортированный из Word. Щёлкните по предложению: оно выделяется. Нажмите поиск: он находит «возмещение убытков». Слова — это текст.
- Скан Майи того же договора, сделанный на копире. Щёлкните по предложению: ничего. Поиск: ничего. Каждая страница — просто фотография текста.
Оба — «PDF». Но для приложения это разные материалы. Многие советы этой книги («сначала запустите PDF с возможностью поиска», «извлекайте до уплощения») на самом деле касаются того, какой материал у вас в руках.
Три вида PDF
| Вид | Как распознать | Что работает | Что не работает |
|---|---|---|---|
| Текстовый (born digital — «рождённый цифровым») | Слова можно выделять и искать | Всё: извлечение, поиск, ИИ-приложения, конвертация в Word | Особых ограничений нет |
| Отсканированный / только из изображений | Выделить слово нельзя; страницы — это картинки | Организация, сжатие, выравнивание наклона, OCR, PDF с возможностью поиска, подпись | Извлечь текст, Поиск в PDF (если он сначала не распознаёт), текст в Парсере PDF, большинство ИИ-приложений |
| Смешанный | Часть страниц выделяется, часть нет | Работайте постранично; запустите PDF с возможностью поиска, чтобы выровнять файл | Инструменты, работающие только с текстом, пропускают страницы-картинки |
Быстрая проверка: откройте файл и попробуйте выделить слово. Если не получается, это скан.
Есть и четвёртый случай: скан с поиском. Это скан плюс невидимый текстовый слой, созданный приложением PDF с возможностью поиска (Searchable). Он выглядит как скан, а ведёт себя как текстовый PDF. Это также распознанная оценка, поэтому внутри могут прятаться неверные слова (модель качества).
Что ещё вы будете загружать
| Семейство форматов | Примеры | Типичный путь в приложения |
|---|---|---|
| Офисные | Word (DOC, DOCX), Excel (XLS, XLSX), PowerPoint (PPTX) | Объединение файлов или Конвертер превращают их в PDF |
| Изображения | JPG, PNG, BMP, TIFF, GIF, WebP | Объединение файлов, Конвертер, Изображение в TXT, Collage |
| Веб и разметка | HTML, SVG, Markdown, XML | Конвертер; SVG Maker создаёт SVG |
| Электронные книги и печать | EPUB, MOBI, DJVU, XPS, PostScript | Конвертер или Объединение файлов — в PDF |
| Архивы | ZIP, RAR, 7z, TAR, TAR.GZ, TAR.BZ2 | Объединение файлов и Конвертер преобразуют поддерживаемые файлы внутри |
| Простой текст | TXT, Markdown, CSV | AI Illustrator, Unwatermark, ИИ-приложения |
| Сертификаты | .pfx | Цифровая подпись PDF |
| Код | .NET DLL/EXE, имя пакета NuGet, репозиторий GitHub | Часть XI |
Что принимает и что выдаёт каждое семейство
Это краткая форма; полная таблица — Приложение A.
| Семейство | Принимает | Выдаёт |
|---|---|---|
| Организация | PDF (Объединение файлов: много форматов и архивы) | PDF (Разделение PDF: несколько PDF) |
| Структура и дополнения | PDF; Добавить таблицу в PDF ещё и файл Excel; Collage — изображения; Illustrator — TXT или PDF | |
| Защита и подтверждение | PDF (Разблокировка: в вебе только PDF) и .pfx для подписи | PDF либо отчёт или вердикт на экране |
| Сжатие и восстановление | PDF; Unwatermark ещё и текст | PDF; Recovery добавляет отчёт; Unwatermark ещё и очищенный текст |
| Извлечение и поиск | PDF или изображения; Resume Analyzer принимает PDF или DOC | TXT, PNG, CSV, ZIP, размеченный PDF либо PDF/Word/Excel/PowerPoint (PDF с возможностью поиска) |
| Конвертация и создание | Десятки форматов (Конвертер); предложение (SVG Maker, Chat) | Word, Excel, PowerPoint, HTML, изображения, PDF/A, PDF; SVG |
| ИИ: понимание | PDF (Checklist и Cheat Sheet ещё и по теме) | В основном PDF; PDF Knowledge Base выдаёт ZIP с Markdown; ответы появляются на экране |
| ИИ для разработчиков | Репозиторий, сборка, URL, сообщение в чате | CSV, SQLite, ZIP, pull request, диаграммы |
Три вещи, на которых часто попадаются
Картинки — тупик для текста. PDF, превращённый в JPG или PNG, выглядит идеально, но по нему нельзя искать. Сначала сделайте работу с текстом.
Зашифрованные файлы отвергаются. Объединение файлов отказывается принимать зашифрованные файлы Word или DJVU. У Конвертера та же проблема с входными файлами, защищёнными паролем. Сначала снимите пароль (Разблокировка PDF в вебе работает только с PDF; файлы Office можно разблокировать плагином командной строки, см. CLI).
Формат — это не обещание точности. Word — это другой способ вёрстки текста, чем PDF. Excel хранит ячейки, а не картинки страниц. Конвертер перечисляет, что сохраняет и теряет каждый целевой формат.
Имена результатов
Результаты — это новые файлы, обычно названные по вашему входному файлу с суффиксом или новым расширением. Примеры из глав: …_optimized.pdf, …_cheat_sheet, ZIP с именем Compressed_documents, ZIP с именем Converted_<from>_to_<to>. См. II.3.
Попробуйте
Возьмите любой PDF из своих. Попробуйте выделить слово, а затем пропустите файл через Извлечь текст. Если получите пустой файл, значит, вы только что столкнулись со сканом и знаете, что делать дальше.