Хусусиятҳои кор бо PDF (расстроӣ vs векторӣ) чӣ гуна аст?

Файлҳои PDF метавонанд маълумоти растрӣ ва векториро дар бар гиранд, ки ин ба коркард ва таҳлили чунин ҳуҷҷатҳо таъсири муҳим мерасонад.

• PDF-и растрӣ аз тасвирҳо (масалан, саҳифаҳои сканшуда) иборатанд. Онҳо аз пикселҳо ташкил ёфтаанд, ки ба кашфи мустақими матн мушкилот меоранд. Барои кор бо чунин PDF-ҳо, аксар вақт OCR (таҳлили оптикии аломатҳо) истифода мешавад, то тасвир ба матн табдил дода шавад.

• PDF-и векторӣ тасвирҳои объектҳоро (матн, хатҳо, шаклҳо) дар шакли primitives математикӣ дар бар мегирад. Матн дар чунин ҳуҷҷатҳо мустақиман гирифта мешавад, ки таҳлил ва коркардро осон мекунад.

Хусусиятҳо ҳангоми кор:

• PDF-и растрӣ талаб мекунад, ки пешакӣ коркард шавад (масалан, беҳтар кардани сифати тасвир) барои баланд бардоштани дақиқии OCR.
• PDF-и векторӣ имкон медиҳад, ки матн ва сохтори ҳуҷҷат бидуни талафоти сифат гирифта шавад.
• Дар PDF-и омехта (мавҷудоти растрӣ ва векторӣ), бояд усулҳоро якҷоя кард.

Масалан: барои гирифтани матн аз PDF-и растрӣ, Tesseract OCR истифода мешавад, ва барои векторӣ — китобхонаҳои мисли PDFBox ё PyPDF2.