Pemeriksa Teks Manual

PDF menyimpan posisi setiap glyph yang digambar, bukan kalimat. Untuk mengambil teksnya, ekstraktor harus memetakan setiap glyph kembali ke karakter dan menentukan di mana kata dan baris terputus. Manual peralatan membuat kedua langkah itu sulit: manual diekspor dari software gambar dan publikasi yang memotong font, membuang tabel pemetaan glyph ke karakter, memakai ligatur untuk "fi" dan "fl", dan menempatkan huruf satu per satu untuk pengaturan spasi dan rata kanan-kiri.

Kolom kiri adalah hasil pdf.js. Inilah mesin di dalam unpdf dan kebanyakan tool PDF JavaScript, dan kami menggabungkan potongan teksnya seperti yang dilakukan tool-tool tersebut. Kolom kanan adalah ekstraktor yang dipakai OpexMX untuk membaca manual bagi asisten maintenance-nya: implementasi terpisah yang ditulis dengan Rust berdasarkan spesifikasi PDF, berjalan di sini sebagai WebAssembly. Keduanya menerima file yang sama persis, di komputer Anda.

Mengapa ini penting: asisten AI atau kotak pencarian hanya melihat teks hasil ekstraksi, bukan halaman yang tampil di layar. Jika teksnya berbunyi "�ow rate" atau "T h e p u m p", pencarian "flow rate" atau "pump" tidak menemukan apa pun, dan asisten menjawab dari halaman yang salah atau tidak menjawab sama sekali. Halaman yang sama sekali tanpa teks adalah hasil scan: periksa di sini sebelum Anda memasukkan manual ke knowledge base mana pun, karena halaman itu perlu OCR terlebih dahulu.