Текстовый слой PDF хранит символы документа отдельно от его внешнего вида. Благодаря ему слова можно искать, выделять и копировать. Он бывает исходным, созданным при экспорте документа, или добавленным после распознавания скана.
Как проверить наличие текста
В PDF-просмотрщике выделите строку, скопируйте её в текстовый редактор и попробуйте поиск по слову на странице. Важен не только факт выделения: скопированный текст должен соответствовать видимым словам. Проверьте несколько страниц, потому что один PDF может содержать и текст, и сканы.
Откуда берётся текстовый слой
При сохранении из текстового редактора PDF часто содержит исходные символы. В сканированном документе сначала есть только изображение; OCR может распознать его текст. Наличие распознанного текста не означает, что все символы определены правильно.
Когда извлекать текст, а когда распознавать
Если копирование даёт правильные слова, попробуйте доступную конвертацию в текстовый формат. Если слой отсутствует, содержит бессмысленные символы или пропускает нужные страницы, проверьте сценарий распознавания. Не выбирайте OCR только по расширению PDF: сначала посмотрите, что находится внутри.
Ограничения текстового слоя
Порядок копирования может отличаться от порядка чтения, особенно при нескольких колонках. Текстовый слой не описывает надёжно строки таблицы, объединённые ячейки или исходные формулы. Для таблиц используйте подходящий сценарий и сравните результат с оригиналом; для важных данных проверьте цифры и знаки отдельно.