PDF ilə işləyərkən hansı xüsusiyyətlər var (raster və ya vektor)?

PDF faylları raster və vektor məlumatlar içərə bilər və bu, belə sənədlərin emalı və təhlilinə əhəmiyyətli təsir göstərir.

• Raster PDF-lər skan edilmiş səhifələr kimi şəkillərdən ibarətdir. Onlar piksellərdən ibarətdir, bu da birbaşa mətnin çıxarılmasını çətinləşdirir. Belə PDF-lərlə işləmək üçün çox vaxt OCR (optik simvol tanıma) istifadə olunur, bu da şəkli mətinə çevirmək üçün.

• Vektor PDF-lər obyektlərin (mətn, xətlər, fiqurlar) təsvirlərini riyazi primitivalar şəklində ehtiva edir. Bu sənədlərdəki mətn birbaşa çıxarıla bilər, bu da təhlil və emalı asanlaşdırır.

İş zamanı xüsusiyyətlər:

• Raster PDF-lər OCR-nin dəqiqliyini artırmaq üçün əvvəlcədən işləmə tələb edir (məsələn, şəkil keyfiyyətini yaxşılaşdırmaq).
• Vektor PDF-lər sənədin mətn və strukturunu keyfiyyət itkisiz çıxarmağa imkan verir.
• Qarışıq PDF-lər üçün (raster və vektor elementlərinin birləşməsi) yanaşmaları birləşdirmək lazımdır.

Nümunə: raster PDF-dən mətn çıxarmaq üçün Tesseract OCR istifadə olunur, vektor üçün isə PDFBox və ya PyPDF2 kimi kitabxanalar istifadə edilir.