Når du gjør om PDF til TXT, er hovedproblemet ofte ikke om teksten kommer ut i det hele tatt, men om den fortsatt kan leses som et vanlig dokument. En fil kan se vellykket ut ved første blikk og likevel ha avsnitt i feil rekkefølge, linjeskift på feil steder eller ord som er delt av gjenværende bindestreker. Denne veiledningen handler om nettopp disse kvalitetskontrollene, slik at du kan rydde opp i resultatet før du siterer, oppsummerer, redigerer eller gjenbruker teksten.
Hvis du trenger en generell oversikt over tilgjengeligheten til en beslektet informasjonsside, se Sanreaders informasjonsside om PDF til TXT. Denne artikkelen handler om kontroll og opprydding, ikke om å påstå en aktiv konverteringstjeneste.
Begynn med de tre feiltypene som endrer mening
Ved kontroll av PDF til TXT bør du prioritere tre problemer først, fordi de påvirker både lesbarhet og noen ganger innholdets mening:
- Feil i leserekkefølge: tekst fra høyre spalte kommer før venstre, topptekst blandes inn i brødteksten, eller fotnoter avbryter avsnitt.
- Feil i linjeskift: hver visuelle linje i PDF-en blir til et hardt linjeskift i teksten, slik at avsnittene ser oppstykket ut.
- Feil i bindestrekdeling: ord som ble delt ved linjeslutt i PDF-en, forblir delt i teksten, som
doku- mentellerinter- nasjonal.
Disse feilene er vanlige i rapporter, kontrakter, fagartikler, brosjyrer og andre sider med spalter, sidefelt, topptekst, tabeller eller blokkjustert tekst.
Bruk et enkelt dokumenteksempel når du vurderer resultatet
Tenk deg et policy-notat på to sider med:
- en tittel øverst
- to tekstspalter
- sidetall i bunnteksten
- en merknad i sidefeltet på side 2
- flere ord delt med bindestrek ved linjeslutt
Et svakt resultat fra PDF til TXT kan se slik ut:
- Tittelen blir fulgt av høyre spalte i stedet for venstre.
- Sidetallet dukker opp midt i et avsnitt.
- Hver linje ender med linjeskift, så ett avsnitt blir til åtte korte linjer.
- Et uttrykk som
langsiktigbevares riktig ett sted, mensinforma- sjoner delt feil et annet sted. - Teksten fra sidefeltet blir satt inn mellom to setninger som ikke hører sammen.
Resultatet er teknisk sett tekst, men ikke nødvendigvis pålitelig tekst. Målet med kvalitetskontrollen er å gjenoppbygge den naturlige leseflyten fra originaldokumentet.
Kontroller leserekkefølgen før du redigerer ordlyden
Ikke start med rettskriving eller stil. Kontroller først at teksten står i riktig rekkefølge.
Hva du bør se etter
- Setninger som starter logisk, men fullføres av tekst som ikke hører til
- Avsnitt som hopper mellom seksjoner eller spalter
- Gjentatte topptekster, bunntekster og sidetall midt i brødteksten
- Fotnoter eller bildetekster som kommer før avsnittet de tilhører
- Lister der punktene kommer i feil orden
Praktiske trinn
- Les de to første avsnittene bare for flyt, ikke for grammatikk.
- Sammenlign dem med layouten i originalens PDF-side.
- Marker der teksten skifter spalte, går inn i et sidefelt eller trekker inn bunntekst.
- Fjern gjentatte løpende topptekster og sidetall.
- Flytt tekstblokker som har kommet på avveie, til en mer naturlig rekkefølge.
På sider med flere spalter er det ofte tryggest å bygge opp teksten blokk for blokk i stedet for å prøve å rydde hele siden i én omgang.
Rett linjeskift slik at avsnittene blir lesbare igjen
Et vanlig problem ved PDF til TXT er at visuelle linjeslutter blir tolket som faktiske avsnittsbrudd. Det gjør teksten treg å lese og vanskeligere å søke i, oppsummere og bruke videre.
Tegn på dårlige linjeskift
- Hver setning står fordelt over flere korte linjer
- Avsnitt avsluttes etter hver synlige linje fra PDF-en
- Punktlister mister strukturen fordi alle linjer ser like ut
- E-postadresser, overskrifter eller referanser brytes på rare steder
Slik retter du dem
- Finn først de ekte avsnittsbruddene. De kommer vanligvis etter et helt avsnitt, en overskrift, et punkt i en liste eller en seksjonsmerking.
- Slå sammen linjer som hører til samme setning eller avsnitt.
- Behold bevisste linjeskift i lister, adresser, dikt, kodeeksempler eller skjemafelt.
- Kontroller tegnsettingen på nytt etter sammenslåing, så du ikke mister eller legger til mellomrom feil.
En enkel tommelfingerregel hjelper: Hvis en linje slutter uten naturlig setningsavslutning og neste linje begynner med et ord med liten forbokstav, hører de ofte sammen.
Fjern feil bindestrekdeling uten å skade ekte sammensatte ord
Opprydding i bindestreker krever litt forsiktighet. Noen bindestreker finnes bare fordi linjen tok slutt i PDF-en. Andre er en faktisk del av ordet.
Fjern bindestreken når
- ordet bare ble delt på grunn av linjebryting, som
doku- ment - den sammenslåtte formen er den naturlige skrivemåten i sammenhengen
- neste linje fortsetter samme ord i stedet for å starte et nytt
Behold bindestreken når
- den er del av et reelt sammensatt ord
- den tilhører en bevisst prefiksform
- den brukes i navn, identifikatorer, modellnumre eller tekniske betegnelser
Trygge kontrolltrinn
- Søk etter bindestreker etterfulgt av linjeskift eller uvanlig mellomrom.
- Slå sammen delene og les hele setningen.
- Sammenlign med lignende ord andre steder i samme dokument for å sikre lik praksis.
- Hvis du er usikker, legg inn en merknad for manuell vurdering i stedet for å gjette.
Dette er viktig fordi feil retting av bindestreker kan endre meningen like mye som å la delte ord stå uryddet.
Bruk en kort sjekkliste før du gjenbruker teksten
Nedenfor finner du en kompakt kontrolltabell du kan bruke etter PDF til TXT.
| Kontrollpunkt | Hva du skal bekrefte | Tiltak |
|---|---|---|
| Leserekkefølge | Teksten følger den visuelle rekkefølgen i originalen | Omorganiser spalter, sidefelt, topptekster og fotnoter |
| Avsnittsflyt | Ett avsnitt er ikke delt opp i mange korte linjer | Slå sammen falske linjeskift |
| Bindestrekdeling | Delte ord er rettet, ekte sammensatte ord er beholdt | Fjern bare bindestreker ved linjeslutt |
| Gjentatte sideelementer | Topptekster, bunntekster og sidetall er ikke blandet inn i innholdet | Slett eller skill dem ut |
| Lister og overskrifter | Strukturen er fortsatt gjenkjennelig | Gjenopprett mellomrom og hierarki |
| Sluttkontroll | Et avsnitt leses naturlig fra start til slutt | Sammenlign med PDF-en og juster |
Kjenn begrensningene ved opprydding
Kvalitetskontroll forbedrer teksten, men løser ikke alle dokumentproblemer.
Noen oppsett er fortsatt vanskelige å rekonstruere, blant annet:
- sterkt formgitte brosjyrer
- tette tabeller med sammenslåtte celler
- skjemaer der etiketter står langt fra feltene
- dokumenter med flytende tekstbokser
- sider der notater, stempler eller merknader overlapper brødteksten
Kontrollen kan heller ikke bekrefte skjult mening i kilden. Hvis original-PDF-en er inkonsekvent, skadet eller visuelt tvetydig, kan den ryddede teksten fortsatt kreve menneskelig vurdering. Derfor er det lurt å ha original-PDF-en tilgjengelig under redigeringen i stedet for å behandle den uttrukne teksten som automatisk autoritativ.
Lag en fast rutine for gjennomgang
Den enkleste måten å få bedre resultater på er å bruke samme rekkefølge hver gang.
- Åpne teksten ved siden av original-PDF-en.
- Fjern åpenbare topptekster, bunntekster og sidetall.
- Rett leserekkefølgen side for side.
- Slå sammen falske linjeskift til ordentlige avsnitt.
- Reparer delte ord og kontroller bindestreker nøye.
- Gå gjennom overskrifter, lister og referanser.
- Les til slutt en kort del høyt eller langsomt for å fange opp flytproblemer.
Denne rutinen er særlig nyttig når teksten skal brukes i sammendrag, interne kunnskapsbaser, tilgjengelighetsarbeid, forberedelse til oversettelse eller manuell redigering.
Et godt resultat fra PDF til TXT handler ikke bare om at tekst kan hentes ut. Det bør også bevare rekkefølge, avsnittslogikk og ordsammenheng godt nok til at leseren kan stole på flyten. Det er denne siste kvalitetskontrollen som gjør råtekst om til brukbar tekst.