В PDF нет текстового слоя? Как проверить перед настройкой правила

У PDF нет текстового слоя, когда слова на странице никогда не были закодированы как текст, — файл хранит только их изображение, и читать там нечего ни правилу, ни строке поиска, ни Ctrl+F. Это самая частая причина, по которой правило по содержимому молча ничего не делает: не сломанное правило, а файл, под картинкой которого попросту ничего нет. Узнать, с каким именно PDF вы имеете дело, можно меньше чем за минуту — на Mac или Windows, — прежде чем тратить время на настройку правила вокруг него. В этой статье — сама проверка, что делать, если файл её не проходит, и другие форматы и ограничения, из-за которых даже нормальный PDF может молча не совпасть с правилом.

Почему моё правило не находит текст в PDF?

PDF, полученный из Word, Pages или современного приложения для сканирования, несёт в себе сразу две вещи: картинку страницы, которую вы видите, и скрытый слой из настоящих символов, расположенный позади неё. Этот скрытый слой и есть текстовый слой. Именно по нему PDF-читалка позволяет выделить предложение, именно его ищет Ctrl+F, и именно его читает правило по содержимому.

У отсканированной страницы или фотографии документа с телефона есть только картинка. Распознавание текста по ней никто не запускал, поэтому позади изображения нет никаких символов — только пиксели, расположенные так, чтобы выглядеть буквами. Человеческому глазу отсканированный счёт и счёт, «распечатанный» прямо в PDF, могут выглядеть абсолютно одинаково. Для программы у одного файла внутри есть слова, а у другого — ни одного. Именно это и сбивает с толку: файл выглядит нормальным документом, открывается без проблем, печатается без проблем — и всё равно не совпадает с правилом по содержимому, если только правило сначала не запустит OCR, потому что искать там было попросту нечего.

Это не особенность File Arbor — любому инструменту, читающему содержимое файла, нужен текстовый слой для чтения, включая File Juggler и organize; те, что справляются со сканами, — Hazel 6 и, с версии 1.3.0, File Arbor Pro — сначала запускают OCR, чтобы создать этот текст. На собственном форуме поддержки Hazel регулярно всплывает тема от пользователей, чьи правила «перестали читать» PDF; отсутствующий текстовый слой или индекс Spotlight, который разошёлся с реальным содержимым файла, — самое частое объяснение в этой теме.

60-секундный тест: есть ли у этого PDF текстовый слой?

Прежде чем строить вокруг содержимого PDF хоть одно правило, откройте файл и попробуйте прочитать его так же, как это сделало бы правило: попробуйте выделить или найти поиском его текст. Если ничего не выделяется и поиск ничего не находит, текстового слоя нет, и ни одно правило по содержимому не совпадёт с этим файлом, если сначала не запустит OCR — в File Arbor Pro для этого нужно настроить правило так, чтобы оно также читало отсканированные документы (с версии 1.3.0).

На Mac

Откройте PDF в Preview. Проведите курсором по строке видимого текста, зажав кнопку мыши. Если отдельные слова подсвечиваются, у файла есть текстовый слой. Если ничего не подсвечивается, где бы вы ни провели, — слоя нет. Для второй проверки нажмите Command-F и найдите слово, которое явно видно на странице: настоящий текстовый слой найдёт его мгновенно, а PDF-картинка — ничего.

На Windows

Откройте PDF в стандартной читалке (Microsoft Edge справляется с этим «из коробки» на Windows 10 и 11). Проведите курсором по строке текста или нажмите Ctrl+A, чтобы выделить всё. Текстовый слой подсвечивает отдельные слова; страница-картинка либо не выделяется вовсе, либо обводится одной рамкой вокруг всей картинки целиком. Для второй проверки нажмите Ctrl+F и найдите слово со страницы — правило то же, что и на Mac: нашлось — есть текстовый слой, не нашлось — слоя нет.

Проверяйте так один показательный файл, прежде чем настраивать правило на целую папку таких файлов. Одна отсканированная обложка среди в остальном текстовых документов пройдёт проверку; папка с выводом настольного сканера обычно нет — и лучше узнать это заранее, а не после того, как правило неделю молча ничего не делало.

PDF с возможностью поиска и отсканированный PDF: какие инструменты реально делают OCR?

PDF с возможностью поиска и отсканированный PDF могут визуально не отличаться друг от друга и при этом быть полными противоположностями по функциональности. Разница целиком в том, запускалось ли по файлу распознавание текста (OCR) — либо в момент создания (приложение для сканирования, распознающее текст на лету), либо позже, отдельным проходом по уже существующему файлу-картинке.

Здесь инструменты действительно различаются, и об этом стоит сказать прямо, а не мелкой сноской: Hazel 6 запускает распознавание текста на лету для PDF без OCR прямо внутри шага сопоставления, и ей можно указать пароль, чтобы открыть зашифрованный PDF. File Arbor до версии 1.3.0 не делал ни того, ни другого. С тех пор Pro тоже запускает OCR, если правило настроено также читать отсканированные документы: читает первую и последнюю страницу отсканированного PDF или фотографии (JPEG, PNG, TIFF) на 9 языках, примерно по секунде на страницу. Поля для пароля по-прежнему нет, поэтому зашифрованный PDF остаётся нечитаемым.

Если ваши PDF регулярно зашифрованы, возможность указать пароль в Hazel — практическая причина выбрать именно её, а не File Arbor, и это верно даже для пользователя Mac, который в остальном предпочёл бы кроссплатформенный инструмент. Для сканов оба инструмента теперь запускают OCR внутри правила. Однако File Arbor Pro читает только первую и последнюю страницу, поэтому, если нужный вам текст находится в глубине длинного скана, достаточно один раз заранее прогнать через OCR те файлы, которым это нужно, — и правило по содержимому в File Arbor всё равно придёт к тому же результату.

Что делать, если текстового слоя нет

Провал 60-секундного теста не значит, что сопоставление по содержимому для этого файла закрыто, — значит, у вас есть два честных варианта, и ни один из них не «подождать и понадеяться».

Пропустите файл через OCR. С версии 1.3.0 File Arbor Pro может делать это внутри правила: настройте правило так, чтобы оно также читало отсканированные документы, и оно прочитает первую и последнюю страницу каждого скана. Это же правило может затем назвать скан по прочитанной в нём дате или номеру, как показано в статье как переименовать PDF по содержимому. В остальных случаях отдельная программа для распознавания текста, ПО, идущее со сканером, или встроенное распознавание Adobe Acrobat может добавить настоящий текстовый слой в PDF-картинку. После этого файл проходит ту же проверку выделением и поиском, и правило по содержимому читает его как любой другой PDF.

Либо откажитесь от сопоставления по содержимому для этого файла и сопоставляйте по чему-то ещё. Правилу, которое сопоставляет по имени файла, папке, в которую он попал, или его дате, не нужно читать внутри файла ни единого символа. Если клиент всегда присылает отсканированные чеки с именем вида receipt-scan-*.pdf, правило по имени решает задачу вообще без OCR — иногда честное исправление — это более простое правило, а не более мощный инструмент.

Другие форматы, которые не совпадут, даже если текстовый слой есть

Отсутствующий текстовый слой — не единственный способ, которым файл молча не совпадает с правилом. В File Arbor ни один из следующих файлов не сработает с условием по содержимому, независимо от того, что внутри:

• Таблицы XLSX. Условия по содержимому вообще не читают ячейки таблиц.
• Колонтитулы, футеры и сноски документов Word. Проверяется только основной текст документа — слово, которое встречается лишь в футере или верхнем колонтитуле, не совпадёт.
• Зашифрованные и защищённые паролем PDF. Их нельзя открыть для извлечения текста без пароля, а поля для пароля в File Arbor нет.

Ничего из этого не специфика реализации File Arbor — это отражает то, что механизм правил вообще способен извлечь без запроса пароля или парсера таблиц, а не баг, который когда-нибудь молча починят.

Ограничения, из-за которых даже нормальный PDF может молча не совпасть

Даже PDF, прошедший 60-секундный тест и обладающий настоящим текстовым слоем, всё ещё может не совпасть с правилом, потому что у извлечения содержимого в File Arbor есть жёсткие границы: 32 МБ на файл, первые 256 КБ извлечённого текста, первые 20 страниц PDF и окно обработки в 5 секунд на файл.

Ограничение по страницам — то, что чаще всего застаёт врасплох. Договор на 40 страниц со словом «расторжение» только на 25-й странице не совпадёт с правилом, которое его ищет, — File Arbor никогда не читает дальше 20-й страницы, а значит, с точки зрения правила этого слова в файле попросту не существует. Та же логика применима к ограничению в 256 КБ для длинных, насыщенных текстом документов: извлечение останавливается там, даже если файл продолжается дальше. Эти границы не случайны — они не дают одному слишком большому файлу тормозить очередь из всех остальных файлов, ожидающих обработки следом.

Какое решение подойдёт вам?

«Файл вообще не выделяется и не находится поиском». Это скан или фото без текстового слоя. В File Arbor Pro настройте правило так, чтобы оно также читало отсканированные документы (с версии 1.3.0); иначе сначала пропустите его через программу OCR, либо сопоставляйте по имени, папке или дате вместо содержимого.

«Текст прекрасно выделяется, но правило всё равно не срабатывает». Проверьте, не лежит ли нужная фраза за пределами 20-й страницы, не превышает ли файл 32 МБ и не находится ли совпадение после первых 256 КБ извлечённого текста, — любое из этих ограничений даёт молчаливый несовпадение на в остальном обычном PDF.

«PDF защищён паролем». Ни File Arbor, ни простое правило по содержимому не откроют его без пароля. На Mac Hazel можно указать пароль прямо в правиле. В остальных случаях снимите пароль с файла перед автоматизацией, если у вас есть такая возможность.

«Это таблица, или совпадение спряталось в колонтитуле или футере документа Word». Условия по содержимому читают основной текст DOCX и текстовый слой PDF — не ячейки таблиц и не колонтитулы, футеры или сноски. Сопоставляйте по имени файла или папке вместо этого.

«У меня сотни отсканированных файлов, и разбираться с каждым по отдельности некогда». Пусть OCR запускает само правило: File Arbor Pro умеет это с версии 1.3.0, на Windows и Mac, а Hazel 6 — на Mac. С любым другим инструментом сначала прогоните их через OCR пакетно, затем направьте правило уже на результат распознавания.

FAQ

Что значит, что у PDF нет текстового слоя?

Это значит, что слова на странице никогда не были закодированы как текст — файл хранит только их изображение. Такой PDF получается из скана или фотографии с телефона: внутри лежат пиксели, а не символы, поэтому ничто не может выделить, найти поиском или сопоставить его текст, пока его не распознает OCR, хотя страница выглядит абсолютно как обычный документ.

Почему моё правило не находит текст в PDF?

Чаще всего потому, что у PDF нет текстового слоя — это скан или фото с телефона, читать в них нечего. Также это бывает и с нормальным PDF, если совпадение выходит за границы, которые проверяет инструмент, если PDF зашифрован, или если файл вообще не того формата, что читается по содержимому, — например, таблица или колонтитул документа Word.

В чём разница между PDF с возможностью поиска и отсканированным PDF?

PDF с возможностью поиска содержит текстовый слой — он появляется при экспорте из текстового редактора или после OCR, — поэтому его слова можно выделить, найти поиском и сопоставить программой. Отсканированный PDF — это картинка страницы, обычно со сканера или камеры телефона, без текстового слоя, и ни одно из его слов не читается программой, пока OCR их не распознает.

Как проверить, есть ли у PDF текстовый слой, перед настройкой правила?

Откройте PDF и попробуйте выделить строку текста или найти поиском слово, которое видно на странице. На Mac используйте выделение в Preview или Command-F; на Windows — поиск в вашей PDF-читалке или выделение текста мышью. Если ничего не подсвечивается и поиск ничего не находит, у файла нет текстового слоя.

Читает ли File Arbor отсканированные PDF так же, как Hazel?

Да, с версии 1.3.0, с двумя отличиями. File Arbor Pro запускает OCR для отсканированных PDF и фотографий, если правило настроено также читать отсканированные документы, но читает только первую и последнюю страницу. И в отличие от Hazel 6, он не может открыть PDF, защищённый паролем, поэтому зашифрованный PDF по-прежнему нужно сначала разблокировать, прежде чем правило File Arbor по содержимому сможет с ним совпасть.

Совпадёт ли правило по содержимому с текстом на 40-й странице PDF?

Нет. File Arbor читает только первые 20 страниц PDF, первые 256 КБ извлечённого текста, файлы размером до 32 МБ и тратит на извлечение не больше 5 секунд на файл. Слово, которое встречается только на 40-й странице длинного документа, не совпадёт, даже если у PDF есть обычный текстовый слой.

Итог

PDF без текстового слоя — это не ошибка в правиле, а файл, в котором попросту нечего читать, и 60-секундный тест на выделение и поиск говорит, с каким из двух вы имеете дело, ещё до того, как вы потратите время на настройку. Прогоните через OCR те файлы, которым это нужно, — с версии 1.3.0 правило File Arbor Pro умеет делать это само — или сопоставляйте их по имени, папке или дате. Для всего остального проверьте формат и ограничения: никаких таблиц XLSX, никаких колонтитулов и футеров DOCX, никаких зашифрованных PDF и ничего дальше 20 страниц, 256 КБ или 32 МБ.

Это то же честное ограничение, что описано в нашем руководстве по сортировке файлов по папкам на основе содержимого: правила по содержимому раскладывают файлы по тому, что в них реально можно прочитать, и ничего не додумывается. Если ваши файлы проходят тест — скачайте File Arbor и настройте правило; если нет — настройте правило так, чтобы оно также читало отсканированные документы (Pro) или сначала приведите файл в порядок.