tigtools

PDF na text

Vyberte PDF a získejte jeho text jako prostý text s volitelnými nadpisy stránek, připravený ke zkopírování nebo uložení. Extrakce probíhá ve vašem prohlížeči pomocí pdf.js.

Běží ve vašem prohlížeči Bez registrace

nebo jej přetáhněte sem. Soubor zůstane ve vašem zařízení.

Jak používat

  1. Vyberte nebo přetáhněte soubor PDF.
  2. Zvolte, zda má každá stránka začínat nadpisem, například „--- Stránka 3 ---“.
  3. Zvolte Extrahovat text a počkejte na načtení všech stránek.
  4. Zkopírujte text nebo si jej stáhněte jako soubor .txt v kódování UTF-8.

Jak to funguje

Soubory PDF vytvořené z textového editoru, webové stránky nebo většiny jiného softwaru obsahují textovou vrstvu: znaky a jejich pozice. Nástroj čte tuto vrstvu stránku po stránce pomocí pdf.js a převádí ji na řádky prostého textu. Písma, velikosti, barvy, obrázky a tabulky se nezachovávají; buňky tabulek se zobrazí jako text oddělený mezerami nebo zalomením řádků.

Pořadí čtení odpovídá pořadí uloženému v PDF, což je obvykle vizuální pořadí. Vícesloupcové rozvržení, poznámky pod čarou a textová pole se mohou objevit v neočekávaném pořadí a slova rozdělená na konci řádku zůstávají rozdělená.

Naskenované dokumenty a fotografie uložené jako PDF obsahují pouze obrázky textu a nemají textovou vrstvu, takže nelze nic extrahovat. Nástroj to rozpozná a nasměruje vás na OCR (optické rozpoznávání znaků), které čte text z obrázků. Text v některých PDF používá písma bez správné znakové mapy; takový text se může zobrazit jako nečitelné symboly.

Soubory PDF, které k otevření vyžadují heslo, nelze přečíst. Soubory PDF pouze s omezením kopírování jsou čteny, respektujte proto práva vlastníka dokumentu.

Příklady

Citování zprávy

Extrahujte text ze 40stránkové zprávy v PDF, vyhledejte v něm v textovém poli a zkopírujte potřebný odstavec, aniž byste museli bojovat s výběrem v prohlížeči PDF.

Naskenovaný dopis

Naskenovaný dopis uložený jako PDF neobsahuje žádný text. Nástroj na to upozorní a odkáže na nástroj OCR, který umí text z obrázku stránky rozpoznat.

Časté dotazy

Proč v mém PDF nebyl nalezen žádný text?

PDF pravděpodobně obsahuje naskenované obrázky, nikoli text. Zpracujte stránky pomocí OCR a text rozpoznejte.

Proč jsou slova nebo řádky ve špatném pořadí?

Nástroj používá pořadí, v jakém je text uložen v souboru. Některé programy ukládají sloupce, záhlaví nebo textová pole v jiném pořadí, než v jakém se zobrazují.

Proč text obsahuje podivné symboly?

Některá PDF používají písma bez informace o tom, který znak jednotlivé glyfy představují. Viditelná písmena nelze zpětně namapovat na text; u takových souborů je jedinou možností OCR.

Zachovává se formátování, jako je tučné písmo nebo tabulky?

Ne. Výstupem je prostý text s řádkovými zlomy. Buňky a sloupce tabulek se zobrazí jako text na řádcích.

Soukromí

PDF se otevře a přečte ve vašem prohlížeči pomocí pdf.js. Soubor ani extrahovaný text se nenahrávají, neukládají ani nezahrnují do analýz; zaznamená se pouze anonymní událost, že byl nástroj použit.