Забрать из брошюры все картинки и тексты
Цель
Взять готовую рекламную брошюру о продукте и вытащить из неё всё, что можно использовать повторно: фотографии отдельными файлами, текст простым текстом и сведения о том, кто её сделал и когда.
Сценарий. Агентство, делавшее вашу брошюру 2024 года, исчезло вместе с исходными файлами. Партнёр хочет использовать фотографии продуктов на сайте, а коллеге нужен текст, чтобы начать новую брошюру. У вас есть только PDF.
Исходное состояние
- PDF. Проверка: можно ли выделить текст? Если нет, это скан (см. «Варианты»).
- Без защиты (Разблокировка PDF при необходимости).
- Соблюдайте авторские права: фотографии и текст могут принадлежать агентству или фотостоку. Проверьте свои права, прежде чем использовать их повторно.
Цепочка
Извлечение метаданных → Извлечение изображений + Извлечь текст (или Парсер — всё сразу) → [OCR Image]
кто/когда/что картинки слова текст внутри картинок
Шаг за шагом
1. Извлечение метаданных: узнайте, что у вас есть
- Приложение: Извлечение метаданных; параметров нет.
- Прочитайте заголовок, автора, дату создания, программу и число страниц; скачайте
extracted_metadata.csv. - Зачем: это показывает происхождение и возраст файла. Значения могут быть неверными или стандартными (имя пользователя или название шаблона).
2. Извлечение изображений: картинки
- Приложение: Извлечение изображений; параметров нет.
- Вы получите каждое встроенное растровое изображение в виде PNG (
brochure00000001.png...), а если их много — в виде ZIP. - Примечания: качество ровно такое, какое хранится в PDF; небольшой JPEG внутри может превратиться в больший по размеру PNG; мелкие украшения (маркеры, линии) тоже попадают в результат; векторные логотипы и диаграммы не извлекаются.
- Если брошюра длинная, сначала воспользуйтесь Разделение PDF, чтобы не получить сотни файлов.
3. Извлечь текст: тексты
- Приложение: Извлечь текст.
- Режим форматирования: Pure — для чтения и повторного использования (по умолчанию). Flatten — если колонки перемешались (он упорядочивает фрагменты по положению на странице). Raw — если Pure неверно склеивает или разрывает строки.
- Вы получите по одному .txt на каждый PDF. Таблицы и вёрстка не сохраняются.
4. Альтернатива: Парсер, всё сразу
- Приложение: Парсер PDF; параметров нет. Один ZIP с текстом, всеми картинками, встроенными вложениями,
annotation.xfdf(комментарии),bookmarks.xmlиformdata.xfdf. - Выбирайте его, когда нужен весь комплект (аудит того, что скрыто в файле). Выбирайте шаги 2 и 3, когда нужны только картинки и слова: проще и легче.
- Парсер не извлекает таблицы.
5. По желанию: OCR Image для текста внутри картинок
- Приложение: OCR Image. Отправьте ему картинку, в которой текст — часть изображения (снимок экрана с таблицей цен, штамп).
- Зачем: «Извлечь текст» читает только собственный текст PDF, но никогда не пиксели.
Ожидаемый результат
Папка с PNG, файл .txt с текстом и CSV с метаданными (или один ZIP от Парсера).
Проверьте, что получилось
- Сосчитайте фотографии продуктов в PDF и сравните с числом осмысленных PNG после того, как отбросите значки.
- Откройте .txt: заголовки и абзацы идут в разумном порядке? Если нет, запустите заново с режимом Flatten.
- Сравните самый большой PNG с картинкой на странице: разрешение не может быть лучше сохранённого.
Варианты
- Брошюра — скан: вы получите по одному полностраничному изображению на страницу и пустой текст. Запустите Searchable, затем «Извлечь текст»; если нужен только текст, отправьте изображения страниц в OCR Image.
- Только выбранные страницы: Разделение PDF, диапазон в один файл.
- Собрать чистый PDF из выбранных картинок: Объединение файлов с изображениями.
- Фотолист: рецепт коллажа.
Что может пойти не так
- Изображения не найдены. В PDF только текст и векторная графика.
- Сотни файлов. Брошюра длинная или каждая страница — одно изображение (скан).
- Картинки выглядят некачественными. Они так хранятся.
- Пустой .txt. Это скан: сначала сделайте его доступным для поиска.
- Искажённые символы. Нестандартные шрифты или повреждённые кодировки.
- Результаты исчезают. Они хранятся около двух суток; скачайте их.
Почему именно такой порядок
Метаданные первыми, потому что это ничего не стоит и задаёт ожидания. Картинки и текст независимы, так что их порядок не важен, но оба идут до OCR Image, которому нужны только что извлечённые картинки.