Kā neatgriezeniski izņemt tekstu no PDF faila

Nepareizs teksts jāaizstāj. Pēc tam lapai jābūt pareizi lasāmai, un aizstātais teksts ir pieņemams. Tā ir rediģēšana. Neviens nelaidīs tavu piedāvājumu caur teksta izguves rīku, lai atrastu ciparu, ko sasteidzi. Ja kaut kur failā paliek vecā numura fragments, tas ir nekārtīgi, nevis bīstami.

Sensitīvam tekstam jābūt neatgūstamam. Nepietiek to apklāt vai aizstāt ar zvaigznītēm. Tam jāpazūd no faila baitiem un jāiztur pārbaude, ko veic cilvēks ar failu rokā, laiku un vēlmi noskaidrot, ko izņēmi. Pirms ķerties pie sarežģītāka, šāds cilvēks PDF atvērs teksta redaktorā. Ar rediģēšanas mērauklu nepietiek.

Vairumā PDF programmu abas darbības ir vienā izvēlnes stūrī. Tāpēc bieži izvēlas nepareizo.

Teksts PDF failā ir satura plūsmas virkne ar instrukcijām, kur uzzīmēt katru rakstzīmi. Uzvelkot virs tā baltu taisnstūri, pievieno vēl vienu zīmēšanas instrukciju, bet virkne paliek neskarta. Tas pats notiek ar melnu taisnstūri un jaunu veidlapu virs vecās. Lapa izskatās citāda, fails ne. Mehānisms izskaidrots plašāk.

Tātad „neatgriezeniski” nozīmē, ka virkne pazūd no satura plūsmas un fails tiek izveidots no jauna bez tās. Viss pārējais ir dekorācija.

PDF nezina, kas ir rindkopa. Tajā ir glifi koordinātēs. Izņem trīs vārdus no izlīdzināta teksta bloka vidus, un nākamie vārdi vairs nav pareizajās vietās, rindā rodas nepareizs atstarpju daudzums, bet, iespējams, visa rindkopa jāpārliek no jauna tai atvēlētajā vietā.

Šī ir grūtākā daļa, un rīki to risina ļoti atšķirīgi. Vieni rindkopu saliek no jauna kārtīgi. Citi pabīda nākamos vārdus pa kreisi, atstāj robainu tukšumu vai uzliek teksta lodziņu virs cauruma oriģinālā. Labojot vienu vārdu, rezultāts parasti ir labs. Jo vairāk maini, jo sliktāks tas kļūst.

Otras lamatas ir fonti. PDF iegultie fonti bieži ir apakškopas ar vienīgi dokumentā izmantotajiem glifiem. Ja aizstājamajam tekstam vajadzīga rakstzīme, kuras lapā nebija, rīks vai nu izvēlas citu fontu, vai neuzzīmē neko. To bieži atklāj negaidīta garumzīme vai domuzīme.

Palīdz divi ieradumi: aizstājošo tekstu turi aptuveni tikpat garu kā izņemto un eksportēto failu apskati pilnā palielinājumā, nevis redaktora priekšskatījumā, ko zīmē cits kods.

Izmanto aizklāšanas funkciju. Tā ir katrā nopietnā PDF programmā, atrodas atsevišķi no zīmēšanas rīkiem un parasti brīdina, ka izmaiņas nevarēs atsaukt. Tas ir labs signāls, ka rīks ir pareizais.

Ja vienā failā dari abas lietas — labo skaitli un izņem vārdu —, jau iepriekš izlem, kas notiek, kad tās pārklājas. Aizstājošajam tekstam vietā, kuru pēc tam aizklāj, nevajadzētu palikt. Daži rīki to pieļauj.

Pat pēc īstas izņemšanas dokuments to, ko izņēmi, var nest sev līdzi citur, nevis lapā.

Metadatos var būt autors, sākotnējais faila nosaukums, programma, kas failu radījusi, un reizēm nosaukums no senas, pirms trim melnrakstiem saglabātas versijas. Vēl viltīgāka ir pakāpeniskā saglabāšana: PDF ļauj programmai pievienot izmaiņas, nevis pārrakstīt failu, tāpēc agrākajos tā paša dokumenta baitos var palikt iepriekšējās lapu versijas ar visu tajās rakstīto. Anotācijas un komentāri ir ārpus satura plūsmas, un tos viegli palaist garām, kad ekrānā viss izskatās tīrs. Tāpat kā pievienotos failus, kas klusi ceļo PDF iekšienē. Arī maketēšanas rīkā apgriezts attēls bieži joprojām satur visu bildi, jo apgriešana ir tikai skatīšanas instrukcija.

Nekas no tā nav eksotisks. Tas vienkārši nav redzams tur, kur skatījies.

Atver eksportēto failu, nevis dokumentu, kas vēl ir redaktorā. Iezīmē attiecīgo vietu, nokopē to un ielīmē vienkāršā teksta redaktorā. Tad dokumentā pameklē vārdu, ko izņēmi. Šīs divas darbības kopā atrod gandrīz visu, kas palicis pašā lapā.

Sensitīvam dokumentam ej tālāk. Atver dokumenta rekvizītus un pārskati autora, nosaukuma un atslēgvārdu laukus. Pēc tam palaid failam teksta izguves rīku, piemēram, pdftotext, un izlasi rezultātu: tas uzreiz parāda visu teksta slāni, nevis vienīgi to daļu, uz kuru gadījies paskatīties.

hddn pārlūkā ļauj darīt abus. Labojot tekstu, oriģinālu izņem un uzraksta no jauna, saglabājot iegulto fontu, kur tas iespējams. Apstiprinātos aizklājumus piemēro kā īstu aizklāšanu, tāpēc apklātais saturs no faila pazūd. Ja aizklāšana pārklājas ar labotu tekstu, tā ir noteicošā — privātuma dēļ. Rediģēt var tikai lapas ar īstu tekstu: skenētās lapās, pagrieztās rindās un tekstā no labās uz kreiso rīks rediģēšanu atsaka, nevis klusējot sabojā dokumentu.

Lai kādu rīku izmantotu, redaktors rāda tavu ieceri. Otrs cilvēks saņem eksportēto failu, un tikai to var uzrādīt kā pierādījumu.