PDF bez warstwy tekstowej? Sprawdź to przed regułą treści

PDF nie ma warstwy tekstowej, gdy słowa na stronie nigdy nie zostały zapisane jako znaki - plik zawiera tylko ich obraz, więc reguła, okno wyszukiwania czy Ctrl+F nie mają czego przeczytać. To najczęstszy powód, dla którego reguła dopasowywania treści po cichu nic nie robi: nie zepsuta reguła, tylko plik, pod którego obrazkiem nie ma nic do dopasowania. Sprawdzisz to w mniej niż minutę, na Macu albo Windows, zanim poświęcisz czas na budowanie reguły. Ten poradnik pokazuje ten test, co zrobić, gdy plik go nie przejdzie, i inne formaty oraz limity, które powodują to samo ciche niedopasowanie nawet na normalnym PDF-ie.

Dlaczego moja reguła nie znajduje tekstu w PDF-ie?

PDF, który wychodzi z Worda, Pages albo nowoczesnej aplikacji do skanowania, niesie ze sobą dwie rzeczy naraz: obraz strony, który widzisz, i ukrytą warstwę rzeczywistych znaków ułożonych pod nim. Ta ukryta warstwa to warstwa tekstowa. To właśnie ona pozwala czytnikowi PDF zaznaczyć zdanie, to ją przeszukuje Ctrl+F, i to ją odczytuje reguła dopasowywania treści.

Zeskanowana strona albo zdjęcie dokumentu telefonem ma tylko obraz. Nikt nie uruchomił na nim rozpoznawania tekstu, więc pod obrazem nie ma żadnych znaków - są tylko piksele ułożone tak, żeby wyglądały jak litery. Dla ludzkiego oka zeskanowana faktura i faktura "wydrukowana do PDF-a" mogą wyglądać identycznie. Dla oprogramowania jedna ma w sobie słowa, a druga żadnych. Właśnie to zaskakuje ludzi: plik wygląda jak normalny dokument, otwiera się normalnie, drukuje się normalnie, i mimo to nie dopasuje reguły treści, chyba że reguła najpierw uruchomi OCR, bo nigdy nie było w nim tekstu do dopasowania.

To nie jest specyfika File Arbor - każde narzędzie, które czyta zawartość pliku, potrzebuje warstwy tekstowej do odczytania, File Juggler i organize też; te, które radzą sobie ze skanami, Hazel 6 i od wersji 1.3.0 File Arbor Pro, uruchamiają najpierw OCR, żeby ten tekst utworzyć. Własne forum wsparcia Hazel od Noodlesoft ma powracający wątek od użytkowników, których reguły "przestały czytać" PDF-y - brakująca warstwa tekstowa albo indeks Spotlight, który wypadł z synchronizacji z plikiem, to powtarzające się wyjaśnienie w tym wątku.

60-sekundowy test: czy ten PDF ma warstwę tekstową?

Zanim zbudujesz jakąkolwiek regułę wokół treści PDF-a, otwórz plik i spróbuj go przeczytać tak, jak zrobiłaby to reguła: próbując zaznaczyć albo wyszukać jego tekst. Jeśli nic się nie zaznacza i nic się nie wyszukuje, nie ma warstwy tekstowej, i żadna reguła treści nie dopasuje tego pliku, chyba że najpierw uruchomi OCR - w File Arbor Pro, ustawiając regułę tak, by czytała też zeskanowane dokumenty (od wersji 1.3.0).

Na Macu

Otwórz PDF w Podglądzie. Zaznacz kursorem widoczną linijkę tekstu. Jeśli podświetlają się pojedyncze słowa, plik ma warstwę tekstową. Jeśli nic się nie podświetla, bez względu na to, gdzie przeciągasz kursor, jej nie ma. Jako drugi test naciśnij Command-F i wyszukaj słowo, które wyraźnie widzisz wydrukowane na stronie - prawdziwa warstwa tekstowa znajdzie je od razu, plik będący tylko obrazem nie znajdzie nic.

Na Windows

Otwórz PDF w domyślnym czytniku (Microsoft Edge obsługuje to od razu na Windows 10 i 11). Zaznacz kursorem linijkę tekstu, albo naciśnij Ctrl+A, żeby zaznaczyć wszystko. Warstwa tekstowa podświetla pojedyncze słowa; strona będąca tylko obrazem albo nic nie zaznacza, albo rysuje jeden prostokąt wokół całego obrazu. Naciśnij Ctrl+F i wyszukaj słowo ze strony jako drugi test - ta sama zasada co na Macu: znaleziono oznacza warstwę tekstową, nie znaleziono oznacza jej brak.

Przeprowadź ten test na jednym reprezentatywnym pliku, zanim zbudujesz regułę wokół całego folderu takich plików. Pojedyncza zeskanowana strona tytułowa w partii złożonej głównie z plików tekstowych przejdzie test bez problemu; folder pełen wydruków z biurowego skanera zwykle nie przejdzie, i lepiej wiedzieć to z góry, niż odkryć po tygodniu, że reguła po cichu nic nie robi.

PDF przeszukiwalny kontra zeskanowany PDF: które narzędzia robią OCR?

PDF przeszukiwalny i zeskanowany PDF mogą wyglądać wizualnie identycznie, a funkcjonalnie być swoimi przeciwieństwami. Różnica sprowadza się wyłącznie do tego, czy OCR - optyczne rozpoznawanie znaków - w ogóle uruchomiono na pliku, czy to przy jego tworzeniu (aplikacja skanująca rozpoznająca tekst w trakcie skanowania), czy później (osobny przebieg OCR na istniejącym już pliku-obrazie).

To miejsce, w którym narzędzia rzeczywiście się różnią, i warto powiedzieć to wprost, a nie jako dopisek: Hazel 6 uruchamia rozpoznawanie tekstu w locie na PDF-ach bez OCR, i potrafi otworzyć zaszyfrowany PDF po podaniu hasła, bezpośrednio w kroku dopasowywania. File Arbor przed wersją 1.3.0 nie robił żadnej z tych rzeczy. Od tamtej pory Pro również uruchamia OCR, gdy reguła jest ustawiona tak, by czytała też zeskanowane dokumenty: czyta pierwszą i ostatnią stronę zeskanowanego PDF-a albo zdjęcia (JPEG, PNG, TIFF), w 9 językach, w tempie około sekundy na stronę. Wciąż nie ma pola na hasło, więc zaszyfrowany PDF pozostaje nieczytelny.

Jeśli twoje PDF-y są rutynowo szyfrowane, opcja hasła w Hazel to praktyczny powód, żeby sięgnąć po nią zamiast po File Arbor - dotyczy to Maca nawet w przypadku kogoś, kto normalnie wolałby narzędzie wieloplatformowe. W przypadku skanów oba narzędzia uruchamiają teraz OCR wewnątrz reguły. File Arbor Pro czyta jednak tylko pierwszą i ostatnią stronę, więc jeśli potrzebny tekst leży głębiej w długim skanie, jednorazowe uruchomienie OCR z góry, na plikach, które go potrzebują, nadal doprowadza regułę treści w File Arbor do tego samego wyniku.

Co zrobić, gdy nie ma warstwy tekstowej

Niezaliczenie 60-sekundowego testu nie oznacza, że dopasowywanie treści jest dla tego pliku wykluczone - oznacza, że masz dwie uczciwe opcje, żadna z nich nie brzmi "czekaj i miej nadzieję".

Uruchom na nim OCR. Od wersji 1.3.0 File Arbor Pro potrafi to zrobić wewnątrz reguły: ustaw regułę tak, by czytała też zeskanowane dokumenty, a przeczyta pierwszą i ostatnią stronę każdego skanu. Ta sama reguła może wtedy nadać skanowi nazwę według daty albo numeru, które odczyta, jak pokazuje artykuł o zmianie nazw plików PDF na podstawie ich zawartości. W przeciwnym razie dedykowane narzędzie OCR, oprogramowanie dołączone do skanera albo wbudowany krok rozpoznawania w Adobe Acrobat mogą dodać prawdziwą warstwę tekstową do pliku będącego tylko obrazem. Kiedy to zrobisz, plik przechodzi ten sam test zaznaczania i wyszukiwania, a reguła treści odczyta go tak jak każdy inny PDF.

Albo pomiń dopasowywanie treści dla tego pliku i dopasuj go po czymś innym. Reguła oparta na nazwie pliku, folderze, w którym wylądował, albo dacie nie musi przeczytać ani jednego znaku wewnątrz pliku. Jeśli klient zawsze wysyła zeskanowane paragony jako skan-paragonu-*.pdf, reguła oparta na nazwie rozwiązuje problem bez żadnego OCR - czasem uczciwą naprawą jest prostsza reguła, nie większe narzędzie.

Inne formaty, które nie dopasują nawet z warstwą tekstową

Brak warstwy tekstowej to nie jedyny sposób, w jaki plik po cichu nie dopasowuje reguły. W File Arbor żaden z poniższych formatów nie uruchomi warunku treści, niezależnie od tego, co jest w środku:

• Arkusze kalkulacyjne XLSX. Warunki treści w ogóle nie odczytują komórek arkusza.
• Nagłówki, stopki i przypisy dokumentu DOCX. Sprawdzana jest tylko główna treść dokumentu Word - słowo kluczowe leżące wyłącznie w stopce albo nagłówku strony nie dopasuje reguły.
• Zaszyfrowane albo zabezpieczone hasłem PDF-y. Nie da się z nich wyodrębnić tekstu bez podania hasła, a File Arbor nie ma pola, żeby je podać.

Nic z tego nie jest specyfiką implementacji File Arbor - odzwierciedla to, co silnik reguł może wyodrębnić bez okna z hasłem albo parsera arkuszy kalkulacyjnych, a nie błąd do załatania później.

Limity, które powodują ciche niedopasowanie nawet na normalnym PDF-ie

Nawet PDF, który przechodzi 60-sekundowy test z prawdziwą warstwą tekstową, wciąż może nie dopasować reguły, bo wyodrębnianie treści w File Arbor ma twarde limity: 32 MB na plik, pierwsze 256 KB wyodrębnionego tekstu, pierwsze 20 stron PDF-a i 5-sekundowe okno przetwarzania na plik.

Limit stron najczęściej zaskakuje ludzi. 40-stronicowa umowa ze słowem "wypowiedzenie" tylko na 25 stronie nie dopasuje reguły szukającej tego słowa - File Arbor nigdy nie czyta dalej niż 20 stronę, więc z punktu widzenia reguły to słowo w pliku nie istnieje. Ta sama logika dotyczy limitu 256 KB tekstu w długich, gęstych tekstowo dokumentach: wyodrębnianie zatrzymuje się tam, nawet jeśli plik jedzie dalej. Te limity nie są przypadkowe - istnieją po to, żeby jeden zbyt duży plik nie zatrzymywał wszystkich innych plików czekających w kolejce za nim.

Którą poprawkę zastosować?

"Plik w ogóle się nie zaznacza ani nie wyszukuje." To skan albo zdjęcie bez warstwy tekstowej. W File Arbor Pro ustaw regułę tak, by czytała też zeskanowane dokumenty (od wersji 1.3.0); w przeciwnym razie przepuść go najpierw przez program OCR, albo dopasuj go po nazwie, folderze albo dacie zamiast po treści.

"Tekst zaznacza się bez problemu, ale reguła wciąż nie dopasowuje." Sprawdź, czy pasująca fraza leży za 20 stroną, plik jest większy niż 32 MB, albo dopasowanie wypada po pierwszych 256 KB wyodrębnionego tekstu - każdy z tych limitów daje ciche niedopasowanie na skądinąd normalnym PDF-ie.

"PDF jest zabezpieczony hasłem." Ani File Arbor, ani zwykła reguła treści nie otworzą go bez hasła. Na Macu Hazel można podać hasło bezpośrednio w regule. W innym wypadku usuń hasło z pliku przed jego automatyzacją, jeśli masz taką możliwość.

"To arkusz kalkulacyjny, albo dopasowanie leży w nagłówku czy stopce dokumentu Word." Warunki treści odczytują główną treść DOCX-a i warstwę tekstową PDF-a - nie komórki arkusza i nie nagłówki, stopki ani przypisy. Dopasuj po nazwie pliku albo folderze zamiast tego.

"Mam setki zeskanowanych plików i brak czasu, żeby naprawiać je jeden po drugim." Niech OCR uruchamia sama reguła: robi to File Arbor Pro od wersji 1.3.0, na Windows i Macu, a Hazel 6 na Macu. W przypadku każdego innego narzędzia przepuść je najpierw grupowo przez dedykowany program OCR, a potem skieruj regułę na wynik po OCR.

FAQ

Co to znaczy, że PDF nie ma warstwy tekstowej?

Oznacza to, że słowa na stronie nigdy nie zostały zapisane jako tekst, tylko jako ich obraz. PDF zrobiony ze skanu albo zdjęcia telefonem zapisuje piksele, nie znaki, więc nic nie może zaznaczyć, wyszukać ani dopasować jego tekstu, dopóki OCR go nie rozpozna - strona może wyglądać identycznie jak zwykły PDF, a mimo to nie zawierać ani jednego czytelnego słowa pod spodem.

Dlaczego moja reguła nie znajduje tekstu w PDF-ie?

Zwykle dlatego, że PDF nie ma warstwy tekstowej - to skan albo zdjęcie telefonem bez żadnych znaków do odczytania. Może się to zdarzyć też na normalnym PDF-ie, jeśli dopasowanie wypada poza limity narzędzia, plik jest zaszyfrowany, albo to format, którego narzędzie nie odczytuje pod kątem treści, jak arkusz kalkulacyjny czy nagłówek dokumentu Word.

Czym różni się PDF przeszukiwalny od zeskanowanego PDF-a?

PDF przeszukiwalny ma warstwę tekstową, powstałą przy eksporcie z edytora tekstu albo dzięki OCR, więc jego słowa da się zaznaczyć, wyszukać i dopasować przez oprogramowanie. Zeskanowany PDF to zdjęcie strony, zwykle ze skanera albo aparatu telefonu, bez warstwy tekstowej, więc żadne z jego słów nie jest czytelne dla oprogramowania, dopóki OCR ich nie rozpozna.

Jak sprawdzić, czy PDF ma warstwę tekstową, zanim zbuduję regułę?

Otwórz PDF i spróbuj zaznaczyć linijkę tekstu albo wyszukać słowo, które widzisz na stronie. Na Macu użyj narzędzia zaznaczania w Podglądzie albo Command-F; na Windows użyj wyszukiwania w czytniku PDF albo zaznaczenia kursorem. Jeśli nic się nie podświetla, a wyszukiwanie nic nie znajduje, plik nie ma warstwy tekstowej.

Czy File Arbor odczytuje zeskanowane PDF-y tak jak Hazel?

Tak, od wersji 1.3.0, z dwiema różnicami. File Arbor Pro uruchamia OCR na zeskanowanych PDF-ach i zdjęciach, gdy reguła jest ustawiona tak, by czytała też zeskanowane dokumenty, ale czyta tylko pierwszą i ostatnią stronę. I w przeciwieństwie do Hazel 6 nie potrafi otworzyć PDF-a zabezpieczonego hasłem, więc zaszyfrowany PDF trzeba nadal odblokować, zanim reguła treści File Arbor go dopasuje.

Czy reguła treści dopasuje tekst na 40 stronie PDF-a?

Nie. File Arbor odczytuje tylko pierwsze 20 stron PDF-a, pierwsze 256 KB wyodrębnionego tekstu, pliki do 32 MB, i ma 5-sekundowe okno przetwarzania na plik. Słowo kluczowe, które pojawia się tylko na 40 stronie dłuższego dokumentu, nie dopasuje reguły, nawet jeśli PDF ma normalną warstwę tekstową.

Podsumowanie

PDF bez warstwy tekstowej to nie reguła, którą źle napisałeś - to plik, w którym nie ma nic do odczytania, a 60-sekundowy test zaznaczania i wyszukiwania mówi ci, z jakim rodzajem pliku masz do czynienia, zanim stracisz czas na konfigurację. Uruchom OCR na plikach, które go potrzebują - od wersji 1.3.0 reguła File Arbor Pro potrafi to zrobić sama - albo dopasuj je po nazwie, folderze czy dacie. Dla reszty sprawdź format i limity: brak XLSX, brak nagłówków czy stopek DOCX-a, brak zaszyfrowanych PDF-ów, i nic dalej niż 20 stron, 256 KB czy 32 MB.

To ten sam uczciwy limit, który omawiamy w naszym przewodniku o sortowaniu plików do folderów na podstawie treści - reguły treści kierują pliki na podstawie tego, co faktycznie da się w nich przeczytać, i nic nie jest zgadywane. Jeśli twoje pliki przechodzą test, pobierz File Arbor i zbuduj regułę; jeśli nie przechodzą, ustaw regułę tak, by czytała też zeskanowane dokumenty (Pro), albo najpierw napraw plik.