Hasil PDF ke teks yang berantakan hampir selalu berasal dari susunan dokumennya, bukan dari proses konversinya. PDF ke Teks membaca objek teks mengikuti urutan penyimpanannya di dalam berkas, bukan mengikuti urutan yang terlihat mata. Selama urutan objek di dalam berkas sama dengan urutan bacaannya, hasilnya rapi. Begitu keduanya berbeda, hasilnya terlihat acak.

Karena itu, cara memperbaikinya bukan dengan mengulang proses konversi. Mengulang dengan pengaturan yang sama akan menghasilkan berkas yang sama. Yang perlu dilakukan adalah mengenali pola kerusakannya, menentukan penyebabnya, lalu memutuskan apakah hasilnya cukup dirapikan atau perlu dikerjakan dengan cara lain.

Cara teks disusun di dalam PDF

Memahami satu hal ini membuat sisa artikelnya lebih mudah diikuti: PDF tidak menyimpan kalimat. Yang disimpan adalah potongan teks beserta posisinya di halaman. Aplikasi yang membuat PDF menuliskan potongan-potongan itu ke dalam berkas dalam urutan tertentu, dan urutan itu tidak selalu sama dengan urutan yang dibaca manusia.

Dokumen yang dibuat dari pengolah kata biasanya ditulis berurutan dari atas ke bawah, sehingga hasil ekstraksinya juga berurutan. Dokumen yang dibuat dari alat tata letak, hasil pemindaian dengan OCR, atau dokumen hasil konversi dari format lain sering ditulis tidak berurutan, sehingga hasil ekstraksinya melompat-lompat.

Perbedaan inilah yang menjelaskan kenapa dua dokumen yang terlihat sama di layar bisa menghasilkan teks yang sangat berbeda kualitasnya.

Lima penyebab yang paling sering

Tabel. Teks di dalam tabel diambil berurutan per baris dokumen. Sel yang bersebelahan di layar bisa muncul berjauhan di hasil teks, dan batas antar sel hilang sama sekali. Ini penyebab yang paling sering.

Tata letak dua kolom. Teks dibaca mengikuti urutan objek di dalam berkas. Pada dokumen dua kolom, urutannya bisa berpindah antar kolom di tengah paragraf, sehingga kalimatnya terputus dan tersambung ke kalimat dari kolom lain.

Kotak teks dan keterangan gambar. Keterangan di bawah gambar sering disimpan sebagai objek terpisah dengan posisi mengambang. Objek seperti itu bisa terambil jauh dari gambar yang dijelaskannya, kadang di akhir halaman.

Catatan kaki. Teks catatan kaki berada di bagian bawah halaman, dan sering muncul menyela paragraf terakhir badan tulisan. Pada dokumen dengan banyak catatan kaki, gangguan ini bisa terjadi berkali-kali.

Lapisan teks hasil OCR yang tidak sejajar. Dokumen pindai yang dilengkapi lapisan teks bisa menghasilkan teks yang terpotong atau bergeser kalau halamannya miring. Huruf yang miring membuat posisi teks hasil pengenalan tidak sesuai dengan gambar aslinya.

Cara memeriksa penyebabnya

Sebelum merapikan, tentukan dulu penyebabnya. Pemeriksaan ini memerlukan pembaca PDF dan berkas hasil teks, dan hanya butuh beberapa menit.

  1. Buka berkas PDF-nya, lalu periksa apakah ada tabel, kolom ganda, atau catatan kaki di halaman yang hasil teksnya kacau.
  2. Buka berkas teks hasilnya, lalu cari bagian yang bermasalah.
  3. Bandingkan posisi bagian itu di PDF dengan posisinya di berkas teks.
  4. Kalau teksnya melompat ke bagian lain halaman, penyebabnya urutan objek.
  5. Kalau teksnya terpotong atau karakternya salah, penyebabnya lapisan teks yang tidak sejajar, dan dokumennya kemungkinan hasil pindai.

Merapikan hasil yang sudah jadi

Untuk dokumen dengan satu atau dua bagian bermasalah, merapikan hasilnya lebih cepat daripada mencari cara lain. Urutan pengerjaannya sebagai berikut.

  1. Buka berkas teks di editor teks, bukan di pengolah kata, supaya tidak ada pemformatan yang tersisip.
  2. Nyalakan pembungkusan baris, karena baris hasil ekstraksi bisa sangat panjang.
  3. Ganti setiap kemunculan dua spasi atau lebih menjadi satu spasi.
  4. Hapus nomor halaman dan kepala halaman yang berulang di setiap halaman.
  5. Perbaiki bagian tabel dengan menyusun ulang urutannya, dan tandai batas antar kolom dengan pemisah yang konsisten.
  6. Hapus catatan kaki dari badan teks, lalu pindahkan ke bagian akhir kalau isinya masih diperlukan.
  7. Simpan dengan nama baru, jangan menimpa berkas aslinya.

Menyiapkan dokumen sebelum diekstrak

Cara terbaik mengurangi pekerjaan perapian adalah menyiapkan dokumennya lebih dulu. Empat langkah berikut ini membantu.

  1. Buang halaman yang tidak diperlukan lewat Hapus Halaman PDF, supaya tidak ada sampah tambahan di berkas teks.
  2. Perbaiki halaman yang miring lebih dulu, terutama pada dokumen hasil pindai. Caranya ada di Cara Memutar Halaman PDF yang Miring.
  3. Kalau dokumennya berisi tabel yang panjang, catat nomor halamannya sebelum konversi. Catatan itu mempermudah pencarian bagian yang perlu dirapikan.
  4. Konversi dari berkas asli, bukan dari hasil kompresi berulang, supaya urutan objeknya masih seperti aslinya.

Kapan sebaiknya memakai tool lain

Kalau yang dibutuhkan bukan teks polos, dua tool lain di kelompok ini mungkin lebih tepat.

PDF ke Markdown menghasilkan berkas dengan penanda tebal, miring, daftar, dan judul yang dikenali dari dokumen. Kalau hasil teksnya akan disunting lagi sebagai naskah, penanda itu menghemat pekerjaan perapian. Perlu diketahui, tabel di tool itu juga ditulis sebagai teks biasa, bukan sebagai tabel Markdown.

PDF ke HTML menghasilkan satu berkas HTML berisi teks dokumen yang bisa dibuka di peramban, dengan struktur judul dan paragraf yang dipertahankan. Tata letak dua kolom bisa berbeda urutannya, karena teksnya juga dibaca berurutan.

Untuk dokumen yang seluruhnya hasil pindai tanpa lapisan teks, tidak ada dari ketiga tool itu yang bisa membantu. OCR belum tersedia, dan berkas pindai diperlakukan sebagai gambar.

Masalah yang sering terjadi

Teksnya bagus di halaman pertama tetapi kacau di halaman berikutnya. Periksa halaman itu satu per satu di PDF. Biasanya hanya sebagian halaman yang susunannya bertingkat, dan halaman itu yang perlu dirapikan manual.

Teksnya terpotong di tengah kalimat. Kemungkinan ada objek yang menutupi teks, misalnya kotak putih atau gambar. Periksa halaman itu di pembaca PDF, dan kalau objeknya tidak diperlukan, bersihkan dulu sebelum konversi ulang.

Karakter tertentu muncul sebagai tanda tanya atau kotak. Berkasnya memakai jenis huruf dengan pemetaan karakter yang tidak lengkap. Coba perbaiki dulu lewat Perbaiki PDF, lalu konversi ulang.

Berkas teksnya kosong. Dokumennya kemungkinan hasil pindai tanpa lapisan teks. Periksa dengan cara menyorot kata di pembaca PDF. Kalau tidak ada yang bisa disorot, dokumennya gambar.

Hasilnya tetap sama setelah diulang. Ini memang perilakunya. Proses konversi bersifat sama untuk berkas yang sama. Yang berubah harus berkas masukannya, bukan pengaturan prosesnya.

Kapan sebaiknya tidak memakai tool online

Dokumen berisi data pribadi lengkap, berkas keuangan, atau dokumen internal yang belum boleh keluar dari jaringan kantor sebaiknya diekstrak dengan aplikasi yang berjalan di komputer sendiri. Untuk tool kelompok ini, berkas dialirkan ke pemroses dan hasilnya dikirim balik ke peramban tanpa ditulis ke penyimpanan permanen, tetapi berkas tetap meninggalkan perangkat selama proses berlangsung. Keterangan lengkapnya ada di kebijakan privasi.

Pertanyaan yang sering muncul

Apakah berkas PDF-nya perlu diperbaiki dulu? Hanya kalau berkasnya tidak bisa dibuka atau halamannya hilang. Kalau berkasnya sehat, hasil teks yang berantakan berasal dari susunan dokumennya, bukan dari kerusakan.

Apakah hasil yang berantakan menandakan berkasnya rusak? Tidak selalu. Berkas yang sehat bisa menghasilkan teks yang berantakan kalau susunannya bertingkat. Kerusakan biasanya ditandai dengan berkas yang tidak bisa dibuka atau halaman yang hilang.

Apakah mengulang konversi bisa memperbaiki hasilnya? Tidak. Berkas yang sama menghasilkan teks yang sama.

Kenapa tabel jadi satu blok panjang? Teks di dalam tabel diambil berurutan per baris dokumen, sehingga batas antar selnya hilang. Isinya tetap lengkap, tetapi susunannya perlu ditata ulang setelah ekstraksi.

Apakah teks hasil ekstraksi masih perlu diperiksa? Perlu, terutama kalau dokumennya hasil pindai dengan lapisan teks. Bagian angka dan nama paling sering salah.

Untuk mengambil teks dari dokumen yang susunannya sederhana, buka PDF ke Teks. Pilihan konversi lain di kelompok ini ada di Konversi Format Dokumen, dan panduan PDF secara umum ada di Panduan PDF.