Aké sú vlastnosti pri práci s PDF (rastrové vs vektorové)?

Súbory PDF môžu obsahovať rastrové aj vektorové údaje, čo má významný vplyv na spracovanie a analýzu takýchto dokumentov.

• Rastrové PDF pozostávajú z obrázkov (napríklad naskenovaných strán). Sú tvorené pixelmi, čo sťažuje priame extrahovanie textu. Pri práci s takýmito PDF sa často používa OCR (optické rozpoznávanie znakov), aby sa obrázok premenil na text.

• Vektorové PDF obsahujú popisy objektov (text, čiary, tvary) vo forme matematických primitív. Text v takýchto dokumentoch je možné priamo extrahovať, čo uľahčuje analýzu a spracovanie.

Vlastnosti pri práci:

• Rastrové PDF vyžadujú predbežné spracovanie (napríklad zlepšenie kvality obrázku) na zvýšenie presnosti OCR.
• Vektorové PDF umožňujú extrahovať text a štruktúru dokumentu bez straty kvality.
• Pri zmiešaných PDF (kombinácia rastrových a vektorových prvkov) je potrebné kombinovať prístupy.

Príklad: na extrakciu textu z rastrového PDF sa používa Tesseract OCR, pre vektorové PDF knižnice ako PDFBox alebo PyPDF2.