При копировании из PDF вместо букв квадратики
Как это выглядит
Текст в PDF видно, он выделяется мышью и копируется. Но при вставке в Excel или Word вместо слов идут квадратики, случайная латиница или знаки вопроса.
Коротко
Это не проблема сканирования: текстовый слой в файле есть. Сломано соответствие между кодами символов и буквами — программа, создавшая PDF, встроила шрифт без таблицы соответствия. Глазами текст читается, машиной — нет.
Почему так происходит
01Шрифт встроен без таблицы соответствия
В PDF символ хранится номером глифа в шрифте, а не буквой. Чтобы копирование работало, нужна таблица перевода номеров в символы. Некоторые генераторы PDF её не записывают — и текст остаётся читаемым только визуально.
02Подмножество шрифта при экспорте
Ради размера файла в PDF кладут только использованные глифы и перенумеровывают их. Если при этом таблица соответствия не обновлена, номера указывают не на те буквы.
03Печать в PDF через драйвер принтера
Виртуальный принтер превращает страницу в набор команд рисования. Текст при этом иногда сохраняется как последовательность глифов без привязки к символам.
Как понять, что причина именно эта
- Скопируйте фрагмент в блокнот: если там мусор, а на экране PDF текст читается — дело в кодировке шрифта
- Попробуйте поиск по документу: сломанный текстовый слой не находится по слову
- Откройте файл в другой программе просмотра — результат будет тем же, дело не в просмотрщике
- Сравните с другим файлом от того же поставщика: проблема обычно системная, а не разовая
Как починить
Распознать страницу как изображение
- 1.Отключите использование текстового слоя в инструменте распознавания
- 2.Заставьте программу читать страницу как картинку
- 3.Проверьте выборочно цифры: именно они страдают чаще букв
не чинит: Точность станет как у обычного скана: мелкий шрифт и таблицы будут читаться хуже, чем при исправном текстовом слое.
Попросить другой формат у отправителя
- 1.Напишите, что PDF копируется нечитаемым текстом
- 2.Попросите Excel, CSV или PDF из другой программы
- 3.Если поставщик выгружает из учётной системы, у него обычно есть машиночитаемый вариант
не чинит: Зависит от отправителя. Часть поставщиков умеет присылать только то, что умеет их печатная форма.
Пересобрать PDF печатью в файл
- 1.Откройте документ и распечатайте его в новый PDF
- 2.Проверьте, копируется ли текст из результата
не чинит: Помогает редко: чаще пересборка сохраняет ту же сломанную привязку, а иногда и вовсе превращает страницу в картинку.
Когда мы не нужны
Если такой файл один и в нём десять строк — быстрее перепечатать руками. Разбор нужен, когда сломанный экспорт идёт от поставщика систематически, месяц за месяцем.
Что с этим делает наша выгрузка
Мы видим, что текстовый слой есть, но нечитаем, и переходим к распознаванию страницы как изображения. В результате точность будет как у скана — мы скажем об этом прямо, а не выдадим набор квадратиков за разобранный текст.
Вопросы
Это то же самое, что PDF без текстового слоя?
Нет. Там слоя нет вовсе, и это видно сразу: текст не выделяется. Здесь слой есть и выделяется, но содержит мусор — обманчивая ситуация, потому что файл выглядит «правильным».
Можно ли восстановить исходный текст из мусора?
Иногда — если подмена символов systematична и её удаётся сопоставить. Мы этого не делаем: подбор таблицы соответствия по догадке даёт правдоподобный, но неверный текст, а это хуже честного распознавания картинки.
Если ошибка не в Excel, а в самих документах
Пилот на 30 дней: пришлите самый неудобный счёт, разберём вручную под ваш формат и вернём готовую таблицу.
Первый счёт разбираем вручную под ваш формат. Списание разовое, автопродления нет. Источник перехода: seo/oshibki/kvadratiki-pri-kopirovanii-iz-pdf.
Другие ошибки