Šta sa PDF-om iz kog se tekst ne može kopirati

Kada se tekst u PDF-u ne može selektovati, razlog je skoro uvek jedan: to nije tekst nego slika. Dokument je skeniran ili fotografisan, pa svaka strana u fajlu postoji kao sličica na kojoj ljudsko oko vidi slova, a program ne vidi ništa osim piksela.

Provera traje tri sekunde: pokušaj da prevučeš mišem preko jednog reda. Ako se ništa ne oboji, ili se oboji cela strana kao jedan blok, u pitanju je slika. Druga provera je pretraga unutar dokumenta — ako reč koju jasno vidiš na ekranu ne daje nijedan pogodak, teksta u fajlu nema.

Postoji i drugi, ređi slučaj: dokument jeste tekstualni, ali je zaštićen od kopiranja. Tada se tekst selektuje, ali se kopiranje ne dozvoljava, ili se pri lepljenju dobije zbrka. Treći slučaj je da je tekst prisutan ali loše kodiran, pa se posle lepljenja dobiju pogrešna slova — najčešće kod naših dijakritičkih znakova.

Realno rešenje zavisi od toga koliko ti teksta treba. Za jedan citat od tri reda prekucavanje je brže od svega ostalog. Za nekoliko strana ima smisla pokrenuti prepoznavanje teksta. Za celu knjigu skoro uvek postoji bolja verzija istog dokumenta negde drugde, i vredi je potražiti pre nego što uložiš sat vremena u obradu.

Kako se prepoznaje o čemu je reč

Poslednji red nije kvar nego normalna posledica: PDF čuva raspored na strani, ne tok teksta. Zato zalepljeni pasus dolazi izlomljen, sa prelomom na kraju svakog vizuelnog reda, i to se sređuje posle — nikad u tekstu koji ide u rad ne ostaje tako.

Prepoznavanje teksta: šta stvarno daje

Postupak kojim se iz slike izvlače slova zove se optičko prepoznavanje teksta (OCR). Ugrađen je u više alata koje verovatno već koristiš: skenerske i PDF aplikacije ga često imaju, a isto se dobija i kada se skenirani PDF otvori kroz uređivač teksta koji podržava prepoznavanje.

Šta se dobija u praksi:

• Čist skenirani tekst, uspravan i oštar — rezultat je obično upotrebljiv, uz par grešaka po strani.
• Fotografija strane iz knjige, pod uglom, sa senkom u pregibu — rezultat je znatno lošiji, naročito pri ivicama.
• Naši dijakritički znakovi — čest izvor grešaka, jer se č, ć, š, ž i đ lako zamene sličnim slovima.
• Tabele — struktura se skoro uvek gubi, brojevi se rasporede u jedan red ili u pogrešne kolone.
• Fusnote i dve kolone — redosled teksta ume da se ispreturа.
• Stari i loše štampani dokumenti — rezultat traži toliko ispravki da prekucavanje bude brže.

Zbog svega ovoga važi jedno pravilo bez izuzetka: tekst dobijen prepoznavanjem se čita i upoređuje sa originalom pre nego što uđe u rad. Greška iz OCR-a u citatu je i dalje tvoja greška, a menja ono što je autor napisao. Kako se direktan citat prenosi i označava: direktan citat u tekstu.

Brojevi su poseban slučaj: zamena nule i slova O, ili jedinice i slova l, dešava se često i ne upada u oči. Svaki broj koji preuzimaš iz prepoznatog teksta uporedi sa slikom strane.

Šta se radi po obimu

Jedan citat ili jedan podatak. Prekucaj. Sve drugo je gubljenje vremena, a rizik od greške je manji nego kod prepoznavanja. Odmah upiši i broj strane, dok ti je dokument otvoren.

Nekoliko strana. Pokreni prepoznavanje, pa pročitaj rezultat uporedo sa originalom. Računaj da provera traje otprilike koliko i samo prepoznavanje.

Ceo dokument. Pre obrade potraži drugu verziju: isti tekst je često dostupan kao uredan PDF kod izdavača, u akademskoj bazi ili u repozitorijumu ustanove. To je najčešće brže od bilo koje obrade, a dobijaš i tačne podatke o izdanju za literaturu. Gde se traži: Google Scholar vodič.

Dokument koji ti treba samo da bi ga pročitao. Ne treba ti nikakva obrada. Skenirani PDF se čita normalno, a beleške praviš odvojeno — što je ionako bolji postupak od kopiranja pasusa u dokument. Kako izgleda beleška koja se posle može upotrebiti: kako se vode beleške dok čitaš.

Zaštićen dokument

Ako je PDF zaštićen od kopiranja, zaštita je postavljena namerno, od strane onoga ko je dokument objavio. Za potrebe rada to i nije veliki problem: kratak citat se prekuca, a podaci za referencu se sa strane pročitaju.

Ako ti treba mnogo više od toga, pitanje nije tehničko nego pitanje izvora — potraži verziju koja je objavljena za slobodno korišćenje, ili se obrati ustanovi koja dokument izdaje. Biblioteke fakulteta često imaju pristup istom naslovu kroz pretplatu.

Pogrešna slova posle lepljenja

Kad se tekst zalepi pa umesto naših slova stoje čudni znaci, uzrok je font ili kodiranje u izvornom dokumentu. Tri stvari koje obično pomažu:

• Lepi bez formatiranja, kao čist tekst, pa tek onda primeni stil dokumenta. Time otpada font iz PDF-a, koji je najčešći krivac.
• Proveri ceo pasus, ne samo prvi red. Zamena se često javlja samo kod pojedinih slova.
• Pretraži dokument na pogrešan znak i zameni ga odjednom, umesto ručnog ispravljanja.

Na isto se svodi i čest slučaj mešanja slova iz dve azbuke koja izgledaju identično. To ne vidi oko, ali vidi provera pravopisa — i zato se ona pušta i na tekst koji si preuzeo, ne samo na onaj koji si napisao. O tome i o sličnim zamkama: najčešće pravopisne greške u radovima.

Šta na kraju ide u rad

Iz ove obrade nikada ne izlazi materijal koji se direktno ubacuje u tekst rada. Izlazi građa iz koje se piše: rečenica prepisana tačno i stavljena pod navodnike sa brojem strane, ili nalaz prepričan tvojim rečima uz referencu. Zalepljen pasus tuđeg teksta ostaje tuđ pasus bez obzira na to kako je izvučen iz fajla — razlika između prerade i prave parafraze objašnjena je u tekstu kako pravilno parafrazirati.

Praktična napomena za kraj: obrađene fajlove drži odvojeno od originala i imenuj ih tako da se zna šta je šta. Sat vremena obrade koji se izgubi jer je fajl prebrisan je čest i potpuno izbežan gubitak — organizacija fajlova i verzija.