Kokios savybės yra dirbant su PDF (taškinis vs vektorinė)?

PDF failai gali turėti tiek rastrinius, tiek vektorinius duomenis, ir tai reikšmingai veikia tokių dokumentų apdorojimą ir analizę.

• Rastriniai PDF sudaryti iš vaizdų (pvz., nuskaitytų puslapių). Jie yra sudaryti iš taškų, todėl tiesioginis teksto išgavimas yra sudėtingas. Darbui su tokiais PDF dažnai naudojamas OCR (optinis simbolių atpažinimas), kad vaizdas būtų paverstas tekstu.

• Vektoriniai PDF turi objektų aprašymus (tekstą, linijas, figūras) matematinėmis primitiviomis formomis. Tokiuose dokumentuose tekstą galima išgauti tiesiogiai, tai palengvina analizę ir apdorojimą.

Darbo ypatumai:

• Rastriniai PDF reikalauja išankstinio apdorojimo (pvz., vaizdo kokybės gerinimo), siekiant padidinti OCR tikslumą.
• Vektoriniai PDF leidžia išgauti tekstą ir dokumento struktūrą be kokybės praradimo.
• Mišriuose PDF (derinant rastrinius ir vektorinius elementus) reikia derinti požiūrius.

Pavyzdys: tekstui išgauti iš rastrinį PDF naudojamas Tesseract OCR, o vektoriniam — bibliotekos kaip PDFBox ar PyPDF2.