Når du konverterer PDF til TXT, er problemet ofte ikke, om teksten overhovedet kommer ud, men om den stadig kan læses som et normalt dokument. En fil kan se vellykket ud ved første blik og alligevel have afsnit i forkert rækkefølge, linjeskift de forkerte steder eller ord, der er delt af overflødige bindestreger. Denne guide handler om netop de kvalitetskontroller, så du kan rette resultatet, før du citerer, opsummerer, redigerer eller genbruger teksten.
Hvis du vil se en generel oversigt over tilgængeligheden af en relateret informationsside, kan du læse Sanreaders informationsside om PDF til TXT. Denne artikel handler om gennemgang og oprydning, ikke om at påstå en aktiv konverteringsløsning.
Begynd med de tre fejl, der ændrer betydningen
Ved gennemgang af PDF til TXT bør du først se efter tre typer fejl, fordi de påvirker både læsbarhed og i nogle tilfælde betydningen:
- Fejl i læserækkefølge: tekst fra højre spalte kommer før venstre, sidehoveder blandes ind i brødteksten, eller fodnoter afbryder afsnit.
- Fejl i linjeskift: hver visuel linje i PDF'en bliver til et hårdt linjeskift i tekstfilen, så afsnit fremstår hakkede.
- Fejl i orddeling: ord, der blev delt ved linjeslut i PDF'en, forbliver delt i teksten, som for eksempel
dokumen- tationellerinter- national.
Disse problemer ses ofte i rapporter, kontrakter, faglige artikler, brochurer og dokumenter med spalter, sidebokse, sidehoveder, tabeller eller justeret tekst.
Brug et konkret dokumenteksempel i kontrollen
Forestil dig et notat på to sider med:
- en titel øverst
- to tekstspalter
- sidetal i sidefoden
- en sideboks på side 2
- flere ord delt ved linjeslut
Et svagt resultat fra PDF til TXT kan så se sådan ud:
- Titlen efterfølges af højre spalte i stedet for venstre.
- Sidetallet dukker op midt i et afsnit.
- Hver linje slutter med et hårdt linjeskift, så ét afsnit bliver til otte korte linjer.
- Et ord som
langsigtetstår korrekt ét sted, mensinforma- tioner delt forkert et andet sted. - Teksten fra sideboksen er indsat mellem to sætninger, der ikke hører sammen.
Resultatet er altså teknisk set tekst, men endnu ikke pålidelig tekst. Formålet med kvalitetskontrollen er at genskabe dokumentets naturlige læseforløb.
Kontroller læserækkefølgen før du retter sproget
Begynd ikke med stavning eller sproglig finpudsning. Først skal du sikre, at teksten står i den rigtige rækkefølge.
Hvad du skal se efter
- Sætninger, der starter logisk, men afsluttes af uvedkommende tekst
- Afsnit, der springer mellem sektioner eller spalter
- Gentagne sidehoveder, sidefødder og sidetal midt i brødteksten
- Fodnoter eller billedtekster, der står før det afsnit, de hører til
- Lister, hvor punkterne kommer i forkert orden
Praktiske trin
- Læs de første to afsnit kun for sammenhæng, ikke for stil.
- Sammenlign dem med den oprindelige PDF-side.
- Markér steder, hvor teksten skifter spalte, går ind i en sideboks eller trækker sidefod ind i indholdet.
- Fjern gentagne sidehoveder og sidetal.
- Flyt fejlplacerede tekstblokke til en mere naturlig rækkefølge.
På sider med flere spalter er det ofte sikrest at genopbygge teksten blok for blok i stedet for at forsøge at rydde hele siden op på én gang.
Ret linjeskift, så afsnit bliver læsbare igen
Et almindeligt problem i PDF til TXT er, at visuelle linjeslutninger bliver behandlet som rigtige afsnitsbrud. Det gør teksten tung at læse og forringer senere søgning, opsummering og genbrug.
Tegn på dårlige linjeskift
- Hver sætning står på flere korte linjer
- Afsnit brydes efter hver synlig linje fra PDF'en
- Punktlister mister deres struktur, fordi alle linjer ligner hinanden
- E-mailadresser, overskrifter eller henvisninger brydes mærkeligt
Sådan retter du dem
- Find først de rigtige afsnitsbrud. De kommer typisk efter et helt afsnit, en overskrift, et punkt i en liste eller en sektionsbetegnelse.
- Saml linjer, der hører til samme sætning eller afsnit.
- Bevar bevidste linjeskift i lister, adresser, poesi, kodeeksempler eller formularfelter.
- Kontrollér tegnsætning og mellemrum igen efter samling af linjer.
En hurtig tommelfingerregel kan hjælpe: Hvis en linje slutter uden tydelig sætningsafslutning, og næste linje begynder med et ord med lille begyndelsesbogstav, hører de to linjer ofte sammen.
Fjern forkert orddeling uden at ødelægge rigtige bindestreger
Oprydning i bindestreger kræver forsigtighed. Nogle bindestreger findes kun, fordi linjen sluttede i PDF'en. Andre er en reel del af ordet.
Fjern bindestregen når
- ordet kun blev delt på grund af linjeskift, som
dokumen- tation - den samlede form er den normale stavemåde i sammenhængen
- næste linje fortsætter samme ord i stedet for at begynde et nyt
Behold bindestregen når
- den er en del af et reelt sammensat ord
- den bruges bevidst i en form med forled eller efterled
- den indgår i navne, identifikatorer, modelnumre eller tekniske betegnelser
Sikker fremgangsmåde
- Søg efter bindestreger efterfulgt af linjeskift eller usædvanlige mellemrum.
- Saml de delte ord og læs hele sætningen.
- Sammenlign med samme term andre steder i dokumentet for at sikre ensartethed.
- Hvis du er i tvivl, så markér stedet til menneskelig gennemgang i stedet for at gætte.
Det er vigtigt, fordi forkert rettet orddeling kan ændre betydningen lige så meget som urettede fejl.
Brug en kort tjekliste før du genbruger teksten
Her er en kort kontroltabel, du kan bruge efter PDF til TXT.
| Kontrolpunkt | Hvad du skal verificere | Handling |
|---|---|---|
| Læserækkefølge | Teksten følger dokumentets visuelle læseorden | Omarrangér spalter, sidebokse, sidehoveder og fodnoter |
| Afsnitsforløb | Ét afsnit er ikke splittet til mange korte linjer | Saml falske linjeskift |
| Orddeling | Delte ord er rettet, mens rigtige bindestreger bevares | Fjern kun bindestreger fra linjeslut |
| Gentagne sideelementer | Sidehoveder, sidefødder og sidetal er ikke blandet ind i indholdet | Slet eller adskil dem |
| Lister og overskrifter | Strukturen er stadig genkendelig | Gendan afstand og hierarki |
| Slutkontrol | Et afsnit kan læses naturligt fra start til slut | Sammenlign med PDF'en og ret til |
Kend begrænsningerne ved manuel oprydning
Kvalitetskontrol forbedrer teksten, men løser ikke alle dokumentproblemer.
Nogle layouttyper er fortsat svære at genskabe, blandt andet:
- stærkt designede brochurer
- tætte tabeller med sammenlagte celler
- formularer, hvor feltnavne står langt fra felterne
- dokumenter med flydende tekstbokse
- sider med noter, stempler eller annotationer oven på brødteksten
Gennemgang kan heller ikke fastslå skjult mening i kildedokumentet. Hvis den oprindelige PDF er inkonsekvent, beskadiget eller visuelt tvetydig, kan den rensede tekst stadig kræve menneskelig vurdering. Derfor er det en fordel at have den oprindelige PDF åben under redigeringen i stedet for at behandle den udtrukne tekst som automatisk autoritativ.
Lav en fast rutine for gennemgang
Den nemmeste måde at få mere pålidelige resultater på er at bruge samme rækkefølge hver gang.
- Åbn teksten ved siden af den oprindelige PDF.
- Fjern tydelige sidehoveder, sidefødder og sidetal.
- Ret læserækkefølgen side for side.
- Saml falske linjeskift til rigtige afsnit.
- Ret delte ord og gennemgå bindestreger omhyggeligt.
- Kontroller overskrifter, lister og henvisninger.
- Læs til sidst et kort afsnit langsomt igennem for at fange problemer i flowet.
Denne rutine er især nyttig, når teksten skal bruges til opsummeringer, interne videnssamlinger, tilgængelighedsarbejde, forberedelse til oversættelse eller manuel redigering.
Et godt resultat af PDF til TXT handler ikke kun om, at tekst kan trækkes ud. Det skal også bevare rækkefølge, afsnitslogik og ordenes integritet godt nok til, at en læser kan stole på forløbet. Det er netop den afsluttende kvalitetskontrol, der gør rå tekst til brugbar tekst.