Mengambil teks dari PDF: bedakan dokumen teks dan hasil pindai
Untuk mengubah isi PDF menjadi teks yang dapat diedit, kenali dulu isi halamannya: teks atau gambar hasil pindai. Perbedaan ini membantu memilih cara ekstraksi dan memeriksa hasil, meski halaman tampak sama di layar.
Mulai dengan menyalin 1 kalimat
Buka dokumen di pembaca PDF, pilih 1 kalimat, lalu tempelkan ke editor teks biasa. Teks yang benar adalah tanda baik, bukan jaminan untuk semua halaman. Jika tidak bisa dipilih, halaman mungkin berupa gambar; pembatasan atau strukturnya juga dapat menghalangi ekstraksi.
OCR mengenali karakter di dalam gambar. Sebagian dokumen hasil pindai sudah memiliki lapisan teks dari OCR sebelumnya. Bisa disalin tidak berarti hasil pengenalannya benar.
Referensi: pypdf — Extract Text from a PDF
Teks yang bisa diedit bukan tata letak asli
PDF dapat menyimpan posisi huruf tanpa menggambarkan paragraf atau tabel seperti pengolah kata. Karena itu, kolom, spasi, dan catatan kaki mungkin perlu diperiksa setelah ekstraksi. Menghasilkan teks DOCX yang bisa diedit berbeda dari membangun kembali seluruh tata letak halaman.
Referensi: pypdf — Extract Text from a PDF
Periksa isi, bukan hanya apakah berkas terbuka
Ambil contoh paragraf di awal, tengah, dan akhir. Lalu periksa rincian penting seperti nama, tanggal, jumlah uang, dan judul campuran Arab-Inggris.
Dalam tabel, cocokkan nilai dengan judul kolomnya. Angka yang bergeser kolom bisa lebih mengubah makna daripada salah eja. Untuk bahasa Arab, periksa urutan kata, angka, dan tanda baca, bukan hanya arah paragraf.
- Simpan PDF asli di samping dokumen yang bisa diedit.
- Jika hanya perlu mengganti 1 kalimat dan berkas sumber tersedia, edit sumbernya lebih dulu.
- Hasil pindai yang hanya berisi gambar membutuhkan OCR; ekstraksi teks saja tidak cukup.
- Jangan unggah dokumen sensitif ke layanan yang tidak memenuhi kebutuhan privasinya.
Pemeriksaan pengeditan yang bisa diulang
Sebelum konversi, salin kalimat contoh seperti «Rapat: 12/10/2026 — Room B, 09:30». Sesudahnya, temukan kalimat tersebut, ubah 1 kata, simpan, lalu buka ulang dokumen.
Pastikan tanggal, ruangan, dan jam tetap berurutan dengan benar. Ini membuktikan contoh tersebut bisa diedit, bukan ketepatan tabel lain atau halaman hasil pindai.