Mengapa Salin-Tempel Teks PDF Menjadi Berantakan (dan Cara Mengatasinya)

Equalang

Secara singkat

Pelajari penyebab teks PDF yang tajam berubah jadi kotak atau karakter acak saat /ToUnicode CMap hilang, cara cek font dalam 10 detik, dan mengekstrak teks rapi.

Kata kunci: salin teks pdf berantakan; copy paste pdf jadi kotak; toUnicode cmap hilang; cek font pdf pdffonts; cara mengatasi teks pdf rusak saat disalin

Saat dokumen PDF terlihat sangat tajam di layar tetapi berubah menjadi kotak-kotak kosong (``), simbol aneh, atau huruf yang bergeser (seperti kata "Hello" yang berubah menjadi "Khoor") ketika disalin ke editor teks, dokumen tersebut kehilangan /ToUnicode Character Map (CMap) yang valid di dalam kamus font tertanamnya. Karena PDF merupakan format tata letak halaman dan gambar vektor turunan dari PostScript—bukan pengolah kata seperti Microsoft Word—program pembaca PDF hanya membutuhkan ID glif (glyph ID) dan garis luar vektor untuk merender huruf dengan tajam di monitor Anda. Sistem tidak perlu mengetahui karakter Unicode mana yang diwakili oleh bentuk tersebut (misalnya U+0041 untuk huruf 'A') hingga Anda menekan tombol Ctrl+C atau Cmd+C. Ketika tabel pencocokan tersebut tidak disertakan, rusak, atau terhalang oleh lapisan OCR tersembunyi yang usang, papan klip (clipboard) Anda menerima indeks glif mentah alih-alih teks yang dapat dibaca.

Cara Kerja Rendering Layar PDF vs. Cara Kerja Salin Teks (Ctrl+C)

Tampak sangat janggal ketika mata Anda dapat membaca suatu paragraf dengan jelas di Adobe Acrobat atau Google Chrome, tetapi komputer Anda tidak dapat menyalin satu kata pun dengan benar. Perbedaan ini terjadi karena menggambar halaman di layar dan mengekstrak teks ke clipboard menggunakan dua struktur data yang sepenuhnya terpisah dalam spesifikasi teknis PDF (ISO 32000-1:2008 Bagian 9.10, Extraction of Text Content).

Ketika pembaca PDF merender teks pada layar:

  1. Aliran konten halaman (content stream) menjalankan perintah gambar yang berisi urutan kode karakter / ID glif (misalnya, <0001 0002 0003> Tj).
  2. Mesin perender PDF membuka program subset font yang disematkan dan mencari bentuk kurva #1, bentuk #2, serta bentuk #3.
  3. Mesin menggambar kurva Bézier kubik tersebut pada koordinat (x, y) yang presisi. Pada tahap ini, mesin grafis sama sekali tidak memedulikan apakah bentuk #1 adalah huruf 'T', tanda integral matematika, atau logo perusahaan.

Ketika Anda menyorot baris yang sama dan menekan Ctrl+C atau Cmd+C, kurva vektor tersebut tidak berguna bagi clipboard sistem operasi. Pembaca PDF harus menerjemahkan setiap ID glif internal kembali ke titik kode Unicode standar:

[Alur Rendering Layar]
Aliran Halaman (<0001 0002 0003> Tj) ──► Garis Luar Vektor Font Tertanam ──► Piksel Tajam di Layar

[Alur Salin-Tempel Clipboard]
Aliran Halaman (<0001 0002 0003> Tj) ──► Tabel /ToUnicode CMap Font     ──► Teks Unicode Standar (U+0054 "T"...)
                                                │
                                    (Jika hilang atau rusak)
                                                ▼
                                Teks Berantakan / Kotak () / Huruf Bergeser

Jika pembuat PDF melakukan subsetting font—hanya menyematkan 42 karakter unik yang digunakan dalam dokumen dan menomorinya 1 hingga 42 sesuai urutan kemunculan—tanpa menyertakan aliran /ToUnicode yang eksplisit, program pembaca terpaksa menebak. Glif #1 (yang secara visual menggambar huruf 'T') mungkin dipetakan ke U+0001 (karakter kontrol tak terlihat), slot Private Use Area (PUA) yang tampil sebagai kotak kosong, atau nilai ASCII yang tergeser.

3 Penyebab Utama Teks PDF Menjadi Berantakan Saat Disalin

Tidak semua teks hasil salinan yang rusak gagal dengan pola yang sama. Memerhatikan karakter apa yang muncul saat Anda menempelkan teks ke editor dapat menunjukkan lapisan PDF mana yang bermasalah:

Tampilan Saat DitempelContoh UmumAkar Masalah di Dalam PDFApakah Konverter Tanpa OCR Bisa Memperbaikinya?
Kotak-kotak kosong, tanda tanya, atau karakter kontrolatauSubset font yang disematkan menggunakan encoding Identity-H atau penomoran kustom tanpa menyertakan tabel /ToUnicode CMap.Tidak. Data pemetaan karakter tidak ada sama sekali di dalam file.
Huruf Latin bergeser (Caesar cipher) atau simbol acak"Hello" → "Khoor" atau "!#$%&"Encoding kustom Type 1 / Type 3 atau obfuscation font oleh penerbit di mana nomor indeks glif digeser dari standar ASCII/Unicode.Tidak. Alat konversi standar membaca tabel pergeseran yang sama.
Pasangan huruf hilang atau muncul simbol aneh"efficient" → "ef cient" atau "ef?cient"Ligatur tipografi (fi, fl, ffi) atau simbol matematika TeX dipetakan ke slot non-standar tanpa pemetaan multi-karakter di /ToUnicode.Sebagian (hanya jika diperbaiki manual melalui find-and-replace).
Campuran huruf tak beraturan (1lI0O, tanda baca acak)"The result" → "Thc rcsult ~!"Lapisan teks OCR lama yang rusak pada PDF pindaian: scanner menjalankan OCR berkualitas rendah belasan tahun lalu dan menaruh teks tak terlihat di bawah gambar pindaian.Tidak. Anda harus menghapus lapisan lama dan menjalankan ulang OCR (--force-ocr).

1. /ToUnicode CMap Hilang atau Rusak pada Subset Font

Untuk menjaga ukuran file tetap kecil, perangkat lunak pembuat PDF hampir selalu melakukan subset pada font (ABCDEF+TimesNewRoman), yakni hanya menyematkan glif yang benar-benar digunakan pada halaman. Toolchain kompilasi LaTeX lawas seperti dvips / ps2pdf, pengekspor skematik CAD, driver printer virtual versi lama, serta sistem proteksi jurnal akademik tertentu kerap memberikan ID internal berurutan (0x0001, 0x0002...) pada glif saat muncul, menyetel encoding ke Identity-H, dan mengabaikan kamus /ToUnicode sepenuhnya.

Di dalam aliran objek PDF mentah, perbedaan antara font sehat dan font rusak terlihat seperti ini:

% OBJEK FONT SEHAT (Salin-tempel berfungsi normal)
12 0 obj
<< /Type /Font
   /Subtype /Type0
   /BaseFont /BCDFEE+CMR10
   /Encoding /Identity-H
   /ToUnicode 15 0 R        % <-- Menunjuk ke aliran CMap valid yang memetakan ID glif ke Unicode
>>
endobj

% OBJEK FONT RUSAK (Salin-tempel menghasilkan teks berantakan)
12 0 obj
<< /Type /Font
   /Subtype /Type0
   /BaseFont /BCDFEE+CMR10
   /Encoding /Identity-H    % <-- Hanya ID internal mentah, TANPA entri /ToUnicode!
>>
endobj

2. Ligatur Tipografi dan Encoding Simbol Matematika Khusus

Dalam tipografi profesional (terutama font Computer Modern pada dokumen LaTeX), dua huruf berdampingan seperti f dan i digabungkan menjadi satu glif tipografi tunggal (fi). Jika font memetakan glif tunggal tersebut ke slot non-standar (misalnya 0x0C) alih-alih mendefinisikan pemetaan satu-ke-banyak pada /ToUnicode (<000C> <00660069>), menyalin kata "first" akan menghasilkan " rst" atau "?rst". Hal serupa terjadi pada variabel huruf Yunani, tanda minus, dan simbol sigma penjumlahan yang disimpan dalam font matematika Type 1 kustom.

3. Lapisan Teks OCR Lama yang Rusak di Balik Hasil Pindai Bersih`

Jika Anda membuka dokumen arsip atau buku hasil pindaian, halaman yang Anda lihat sebenarnya adalah gambar bitmap beresolusi tinggi (JPEG atau JBIG2). Agar dokumen dapat dicari kata kuncinya, pemindai instansi sering kali menjalankan software OCR sederhana pada 10 atau 15 tahun lalu dan menaruh lapisan teks tak terlihat (mode render 3 Tr) di atas gambar halaman. Saat kursor mouse diseret di atas halaman, mata Anda melihat pindaian yang bersih, padahal mouse Anda sebenarnya sedang menyorot lapisan teks OCR usang yang penuh kesalahan di baliknya.

Diagnosis 10 Detik: Periksa Tabel Font File PDF Anda

Sebelum menghabiskan waktu mencoba berbagai aplikasi pembaca PDF atau konverter "PDF to Word" online, pastikan terlebih dahulu apakah tabel /ToUnicode memang tidak ada di dalam dokumen.

Metode A: Jalankan pdffonts di Terminal (Paling Cepat)

Jika Anda memiliki pustaka render PDF sumber terbuka Poppler (brew install poppler di macOS, atau sudo apt install poppler-utils di Ubuntu/Debian), jalankan perintah pdffonts pada file Anda:

pdffonts document.pdf

Perhatikan kolom sub (font subset) dan uni (ketersediaan tabel /ToUnicode) pada output:

name                                 type              encoding         emb sub uni object ID
------------------------------------ ----------------- ---------------- --- --- --- ---------
GJXPKL+CMR10                         Type 1C           Custom           yes yes no       14  0
GJXPKM+CMSY10                        Type 1C           Custom           yes yes no       18  0
ArialMT                              TrueType          WinAnsi          yes no  yes      22  0
  • uni = yes: Font memiliki tabel /ToUnicode. Jika salin-tempel tetap menghasilkan teks sampah, kemungkinan besar tabel tersebut memetakan karakter ke kode yang salah (obfuscation disengaja) atau Anda sedang menyalin dari lapisan OCR tersembunyi yang rusak.
  • sub = yes DAN uni = no: Bukti mutlak. Font tersebut merupakan subset ber-encoding kustom tanpa data pemetaan Unicode di dalam file. Tidak ada pembaca PDF atau konverter biasa tanpa OCR yang dapat menyalin teks bersih dari aliran font ini.

Metode B: Periksa File > Properties > Fonts di Adobe Acrobat Reader

Jika Anda lebih memilih antarmuka grafis:

  1. Buka file PDF di Adobe Acrobat Reader.
  2. Tekan Ctrl+D (Cmd+D di macOS) atau buka menu File > Properties, lalu klik tab Fonts.
  3. Buka daftar font yang digunakan pada halaman yang bermasalah. Jika Anda melihat keterangan Encoding: Custom atau Encoding: Identity-H pada font berlabel (Embedded Subset)—khususnya font berjenis Type 1, Type 3, atau CID—font itulah yang menyebabkan teks clipboard menjadi berantakan.

Cara Memulihkan dan Mengekstrak Teks yang Bersih

Setelah memastikan bahwa /ToUnicode hilang (uni = no) atau lapisan teks OCR lama rusak, hentikan penggunaan trik salin-tempel biasa atau alat pengubah "PDF to Word" non-OCR. Alat-alat tersebut membaca tabel font rusak yang persis sama. Untuk mendapatkan teks yang dapat dibaca, Anda harus mengabaikan kode karakter internal PDF dan membaca bentuk visualnya secara langsung melalui Optical Character Recognition (OCR).

Solusi 1: Ambil Kutipan Pendek Langsung dengan OCR Layar

Jika Anda hanya memerlukan dua paragraf, satu baris tabel, atau kutipan pustaka:

  • macOS (Preview atau Screenshot Live Text): Ambil tangkapan layar cepat (Cmd+Shift+4) pada paragraf tersebut dan buka di aplikasi Preview bawaan. Fitur Live Text pada macOS mengabaikan kamus font PDF sepenuhnya dan memungkinkan Anda menyorot serta menyalin teks visual langsung dari gambar.
  • Windows (PowerToys Text Extractor): Tekan pintasan Win+Shift+T untuk menarik kotak seleksi di atas jendela PDF, dan teks hasil pengenalan karakter akan langsung disalin ke clipboard Anda.

Solusi 2: Bangun Ulang Seluruh Lapisan Teks Dokumen dengan ocrmypdf --force-ocr

Jika Anda memerlukan dokumen PDF lengkap yang dapat dicari dan disalin dengan Ctrl+C di seluruh halamannya, gunakan ocrmypdf dengan argumen --force-ocr. Aplikasi OCR standar biasanya melewatkan halaman yang sudah memiliki aliran teks; argumen --force-ocr akan merasterisasi halaman vektor pada resolusi 300 DPI, membuang lapisan /ToUnicode yang rusak (atau teks pindaian lama yang kacau), dan menyematkan lapisan teks Unicode yang bersih:

# Instal ocrmypdf (macOS / Ubuntu)
brew install ocrmypdf
# atau: sudo apt install ocrmypdf

# Ganti paksa pemetaan font rusak / lapisan OCR lama dengan lapisan Unicode baru
ocrmypdf --force-ocr broken-input.pdf clean-copyable.pdf

Jika dokumen memuat beberapa bahasa (misalnya manual teknik dwibahasa Inggris dan Jerman atau Mandarin), sertakan kode bahasa Tesseract yang sesuai (seperti -l eng+deu atau -l eng+ind).

Solusi 3: Menerjemahkan PDF Akademik atau Teknis Asing Tanpa Perlu Salin-Tempel Manual

Sering kali, alasan utama Anda menyadari masalah salin-tempel berantakan ini adalah karena Anda sedang mencoba menyalin paragraf bahasa asing dari jurnal ilmiah dua kolom atau manual teknik untuk ditempelkan ke situs penerjemah.

Daripada berkutat dengan teks clipboard yang rusak, merapikan ligatur yang terputus secara manual, atau menyatukan kalimat yang terpotong antar-kolom, Anda dapat mengunggah file PDF langsung ke alur kerja terjemahan dokumen berbasis OCR seperti Equalang Document Translation (lihat panduan cara menerjemahkan dan membaca dokumen PDF secara berdampingan). Membaca tata letak visual halaman secara langsung akan melewati ketiadaan tabel /ToUnicode, mempertahankan struktur multi-kolom, tabel, dan persamaan matematika, serta memungkinkan Anda membaca halaman asli dan hasil terjemahan secara berdampingan di ruang kerja penerjemahan.

Tampilan jurnal ilmiah dua kolom berbahasa Inggris disandingkan dengan tata letak terjemahan di Equalang
Ketika hilangnya tabel /ToUnicode membuat salin-tempel teks PDF berantakan, menerjemahkan dokumen secara utuh mempertahankan tata letak tanpa perlu ekstrak teks manual

Pertanyaan yang Sering Diajukan (FAQ)

Mengapa tampilan PDF sangat tajam saat diperbesar hingga 400%, tetapi teksnya tetap berantakan saat disalin?

Ketajaman visual dihasilkan oleh garis luar glif vektor (rumus matematika kurva di dalam font tertanam), sedangkan fungsi salin-tempel mengandalkan tabel pencocokan kode karakter ke Unicode (/ToUnicode CMap) yang terpisah. Pembaca PDF mengetahui bentuk geometris persis dari setiap huruf untuk menggambarnya pada tingkat perbesaran berapa pun, meskipun tidak memiliki data tentang karakter Unicode apa yang diwakili oleh bentuk tersebut.

Apakah membuka proteksi kata sandi atau menghapus batasan izin PDF dapat mengatasi masalah ini?

Tidak. Pengaturan izin PDF hanya mengatur apakah tombol menu Copy dapat diklik atau dinonaktifkan. Jika Anda dapat menyorot teks, menekan Ctrl+C, dan menempelkan sesuatu—meskipun hasilnya berupa kotak-kotak atau karakter acak—maka izin keamanan bukanlah penyebabnya. Masalahnya murni karena tabel /ToUnicode hilang atau sengaja diacak di dalam objek font.

Mengapa membuka PDF di Microsoft Word atau konverter PDF-to-Word gratis menghasilkan simbol berantakan yang persis sama?

Sebagian besar konverter PDF-ke-Word instan mengekstrak teks langsung dari kamus font internal PDF tanpa menjalankan OCR visual. Ketika pemeriksaan pdffonts menampilkan uni = no, identitas karakter tersebut memang tidak tersimpan di dalam aliran teks file, sehingga alat apa pun yang tidak menggunakan OCR visual akan menghasilkan keluaran teks sampah yang sama persis.

Sumber Referensi