Jaké jsou vlastnosti práce s PDF (rastrové vs vektorové)?

Soubor PDF může obsahovat rastrová i vektorová data, což má zásadní vliv na zpracování a analýzu těchto dokumentů.

• Rasterové PDF se skládají z obrázků (například naskenovaných stránek). Jsou tvořeny pixely, což ztěžuje přímé extrahování textu. Pro práci s takovými PDF se často používá OCR (optické rozpoznávání znaků), aby se obrázek převedl na text.

• Vektorové PDF obsahují popisy objektů (text, čáry, tvary) ve formě matematických primitiv. Text v takových dokumentech lze přímo extrahovat, což usnadňuje analýzu a zpracování.

Vlastnosti při práci:

• Rasterová PDF vyžadují předzpracování (například zlepšení kvality obrázku) pro zvýšení přesnosti OCR.
• Vektorová PDF umožňují extrahovat text a strukturu dokumentu bez ztráty kvality.
• U smíšených PDF (kombinace rastrových a vektorových prvků) je třeba kombinovat přístupy.

Příklad: pro extrakci textu z rasterového PDF se používá Tesseract OCR, pro vektorové PDF knihovny jako PDFBox nebo PyPDF2.