Teks PDF tidak bisa disalin? Kenali dulu penyebabnya

Anda menyeret kursor di atas satu paragraf dan tidak ada yang tersorot. Atau tersorot, tapi menu Copy abu-abu. Atau berhasil ditempel, tapi yang keluar deretan simbol seperti file rusak. Bisa juga kata-katanya utuh, tapi setiap baris diakhiri Enter. Tiap gejala punya penyebab sendiri, dan cara mengatasinya pun berbeda.

Kenali dulu masalahnya

• Diklik malah memilih seluruh halaman sebagai satu blok, atau tidak memilih apa-apa: halamannya berupa gambar, biasanya hasil scan.
• Teks bisa disorot tapi Copy abu-abu, atau muncul pesan bahwa menyalin tidak diizinkan: file-nya punya pembatasan izin. Biasanya terlihat di properti dokumen, bagian Security.
• Menyalin berhasil, tapi hasil tempelannya acak: ada masalah font di dalam PDF.
• Hasil tempelannya benar, tapi formatnya berantakan.

Halamannya hasil scan

Mesin scan menghasilkan foto dari kertas. Anda bisa membaca tulisannya, tapi file-nya hanya tahu piksel, jadi tidak ada yang bisa dipilih atau dicari. OCR membaca huruf dari gambar dan menambahkan lapisan teks tak terlihat di belakang setiap halaman. Tampilannya tetap sama persis, dan sekarang teksnya bisa dipilih, disalin, dan dicari.

OCR kami memakai data bahasa Inggris. Dokumen berbahasa Indonesia umumnya tetap terbaca karena memakai huruf Latin biasa, tapi scan yang tajam, lurus, dan kontrasnya tinggi hasilnya jauh lebih baik daripada foto HP yang miring. Apa pun sumbernya, periksa ulang angka dan nama.

File-nya melarang penyalinan

PDF bisa membawa dua jenis kata sandi. Yang satu mencegah file dibuka sama sekali. Yang lain, kata sandi izin, membiarkan siapa pun membuka file tetapi menyuruh aplikasi pembaca memblokir penyalinan, pencetakan, atau pengeditan. Kata sandi jenis kedua inilah yang membuat Copy jadi abu-abu.

Kalau itu dokumen Anda sendiri, atau pemiliknya sudah mengizinkan Anda memakai ulang teksnya, unggah ke Buka Kunci PDF dan Anda akan mendapat salinan tanpa perlindungan. Kalau file terbuka tanpa diminta kata sandi, kolom kata sandinya boleh dikosongkan. Kalau file itu milik orang lain, minta versi tanpa pembatasan ke pengirimnya. Pembatasan pada laporan berlisensi atau soal ujian biasanya memang disengaja.

Hasil tempelannya jadi simbol acak

Di dalam PDF, teks disimpan sebagai kode yang menunjuk ke bentuk huruf di font yang disematkan. Untuk mengubah kode itu kembali menjadi huruf, aplikasi pembaca butuh tabel padanan di dalam file. Sebagian aplikasi pembuat PDF tidak menyertakan tabel itu atau memakai pengodean khusus, sehingga halamannya tampil sempurna tetapi yang tersalin adalah kode mentahnya. Ganti aplikasi pembaca jarang membantu, karena informasinya memang tidak ada di file.

OCR bisa menjadi jalan memutar, karena ia membaca bentuk hurufnya, bukan kodenya. Tapi ada catatannya. OCR kami melewati halaman yang sudah berisi teks supaya tidak ada yang dobel, dan halaman berisi teks acak tetap dihitung sebagai halaman bertulisan. Jadi ubah dulu halamannya menjadi gambar murni:

1. Ubah PDF-nya ke PNG di Tinggi (300 DPI).
2. Satukan lagi PNG-nya menjadi PDF dengan PNG ke PDF, sesuai urutan halamannya.
3. Jalankan file baru itu lewat OCR PDF.

Hasilnya PDF bergaya scan dengan lapisan teks yang benar. Ukurannya lebih besar dari aslinya dan teksnya bukan vektor lagi, jadi simpan file asli untuk dibaca dan pakai salinan OCR untuk menyalin.

Teksnya benar, pergantian barisnya salah

PDF tidak mengenal paragraf. Yang disimpan adalah baris-baris yang ditempatkan di posisi tertentu pada halaman, jadi saat disalin, setiap baris diakhiri pergantian baris, dan kata yang dipenggal di ujung baris tetap terpenggal. Menyalin belasan halaman dengan cara ini berarti banyak memblok yang melelahkan.

PDF ke Teks menarik teks semua halaman ke satu file .txt, dengan satu baris kosong di antara halaman. Pergantian barisnya masih ada, tapi Anda cukup membereskannya sekali. Di Word, buka Replace, centang Use wildcards, lalu ganti ([a-z,])^13 dengan \1 diikuti satu spasi. Perintah itu menyambung setiap baris yang diakhiri huruf kecil atau koma, dan sebagian besar akhir paragraf yang asli tidak tersentuh karena diakhiri titik.

Pertanyaan umum

Kenapa pencarian tidak menemukan kata yang jelas terlihat di halaman?

Penyebabnya sama dengan masalah menyalin. Pada scan tidak ada teks untuk dicari, dan pada file dengan font bermasalah, pencarian mencari huruf yang tersimpan sebagai kode lain. Setelah OCR, pencarian berjalan normal.

Bolehkah melepas larangan menyalin?

Untuk file Anda sendiri, boleh. Untuk file orang lain, hanya kalau mereka mengizinkan, dan biasanya paling mudah dengan meminta salinan tanpa pembatasan langsung dari mereka. Buka Kunci PDF tidak menebak atau membobol kata sandi. Alat ini hanya bekerja dengan kata sandi yang sudah Anda ketahui.