Pliki PDF: dlaczego tak trudno wydobyć z nich tekst

Konkretnie: PDF nie ma akapitów, linii, a często nawet słów. Ma rozmieszczone ciągi znaków. Zdanie, które czytasz, może być zapisane jako kilkanaście osobnych ciągów w wyliczonych współrzędnych, a odstęp między dwoma słowami może być brakiem tuszu, a nie znakiem spacji. Każdy konwerter PDF na tekst i PDF na Word, łącznie z tym, jest więc rekonstrukcją: grupuje ciągi według linii bazowej, żeby odzyskać linie, odgaduje granice akapitów, wnioskuje nagłówki z rozmiaru czcionki. Dobrze działa to przy zwykłej prozie, a spłaszcza kolumny i tabele, bo informacji potrzebnych do ich zachowania nigdy w pliku nie było.

Druga rzecz, którą warto wiedzieć: „PDF” obejmuje dwie zupełnie różne sytuacje. PDF wyeksportowany z Worda lub przeglądarki zawiera prawdziwy tekst, który da się przeszukiwać i kopiować. PDF wytworzony przez skaner lub aparat telefonu zawiera zdjęcia stron i w ogóle nie ma tekstu — słowa są pikselami i nic ich nie wydobędzie bez rozpoznawania znaków. Ta strona wykrywa taki przypadek i uruchamia model rozpoznawania AI na Twoim komputerze, zamiast wysyłać plik, co jest nietypowe: OCR to zwykle moment, w którym konwerter wysyła Twój dokument na serwer.

To też przy PDF prywatność przestaje być abstrakcyjna. W tym formacie krążą umowy, paski wypłat, wyciągi bankowe, listy od lekarzy, faktury i zeskanowane dokumenty tożsamości. Każda konwersja tutaj działa na stronie — PDF jest otwierany, renderowany i czytany przez kod w Twojej przeglądarce, a żadne żądanie nie zawiera pliku. Właśnie dlatego ten konwerter jest zbudowany tak, a nie inaczej, a PDF to kategoria, w której ma to największe znaczenie.