File PDF: mengapa teksnya begitu sulit dikeluarkan kembali

Secara konkret, PDF tidak punya paragraf, tidak punya baris, dan sering kali bahkan tidak punya kata. Yang ada hanyalah rangkaian glif yang diposisikan. Kalimat yang sedang Anda baca bisa saja tersimpan sebagai selusin rangkaian terpisah pada koordinat hasil perhitungan, dan jarak antara dua kata mungkin hanya ketiadaan tinta, bukan karakter spasi. Karena itu setiap konverter PDF ke teks maupun PDF ke Word, termasuk yang ini, sebenarnya sedang membangun ulang: mengelompokkan rangkaian glif menurut garis dasarnya untuk mendapatkan kembali baris, menebak batas paragraf, dan menyimpulkan judul dari ukuran huruf. Cara ini bekerja baik untuk prosa biasa, tetapi meratakan kolom dan tabel, karena informasi yang dibutuhkan untuk mempertahankannya memang tidak pernah ada di dalam file.

Hal kedua yang perlu diketahui: "PDF" mencakup dua situasi yang sama sekali berbeda. PDF yang diekspor dari Word atau browser berisi teks sungguhan yang bisa Anda cari dan salin. PDF yang dihasilkan pemindai atau kamera ponsel berisi foto halaman dan tidak ada teks sama sekali — kata-katanya berupa piksel, dan tidak ada yang bisa mengekstraknya tanpa pengenalan karakter. Situs ini mendeteksi kasus tersebut dan menjalankan model pengenalan AI di perangkat Anda sendiri alih-alih mengunggah file, sesuatu yang tidak lazim: OCR biasanya justru menjadi titik ketika sebuah konverter mengirim dokumen Anda ke server.

PDF juga menjadi tempat privasi tidak lagi bersifat abstrak. Kontrak, slip gaji, rekening koran, surat medis, faktur, dan pindaian dokumen identitas semuanya beredar dalam format ini. Setiap konversi di sini berjalan di dalam halaman — PDF dibuka, dirender, dan dibaca oleh kode di browser Anda, dan tidak ada permintaan yang membawa file tersebut. Itulah alasan konverter ini dibangun seperti ini, dan PDF adalah kategori yang paling membutuhkannya.