Πώς να το χρησιμοποιήσετε
- Επιλέξτε ή σύρετε ένα αρχείο PDF.
- Επιλέξτε «Παράγραφοι και επικεφαλίδες» ή «Διάταξη με θέσεις».
- Επιλέξτε «Μετατροπή σε HTML» και περιμένετε να διαβαστούν όλες οι σελίδες.
- Ελέγξτε την προεπισκόπηση, έπειτα αντιγράψτε τον κώδικα ή κατεβάστε το αρχείο .html.
Πώς λειτουργεί
Το εργαλείο διαβάζει το επίπεδο κειμένου κάθε σελίδας με το pdf.js: κάθε τμήμα κειμένου με τη θέση και το μέγεθος γραμματοσειράς του. Στη λειτουργία Παράγραφοι και επικεφαλίδες, τμήματα στην ίδια γραμμή βάσης ενώνονται σε γραμμές και οι γραμμές ομαδοποιούνται σε παραγράφους με βάση την κατακόρυφη απόσταση και την εσοχή τους. Γραμμές με σαφώς μεγαλύτερη γραμματοσειρά από το κυρίως κείμενο γίνονται επικεφαλίδες (h1–h3), γραμμές που ξεκινούν με κουκκίδα ή αριθμό όπως 1. γίνονται στοιχεία λίστας και λέξεις με ενωτικό στο τέλος γραμμής ενώνονται όταν η επόμενη γραμμή ξεκινά με πεζό γράμμα. Ένα σχόλιο HTML επισημαίνει πού ξεκινά κάθε σελίδα.
Στη λειτουργία διάταξης με θέσεις, κάθε τμήμα κειμένου γίνεται ένα span τοποθετημένο στις συντεταγμένες του σε ένα πλαίσιο με διαστάσεις σελίδας, χρησιμοποιώντας μια γενική γραμματοσειρά serif, sans-serif ή monospace. Μοιάζει με το PDF, αλλά δεν ενδείκνυται για επεξεργασία.
Μόνο το κείμενο μετατρέπεται. Οι εικόνες, τα σχέδια, τα περιγράμματα πινάκων, τα χρώματα, οι γραμματοσειρές, η έντονη και η πλάγια γραφή και οι σύνδεσμοι δεν μεταφέρονται· οι πίνακες εμφανίζονται ως γραμμές κειμένου. Οι σελίδες με πολλές στήλες διαβάζονται με τη σειρά αποθήκευσης του κειμένου, που συνήθως αλλά όχι πάντα είναι η σειρά ανάγνωσης. Τα σαρωμένα PDF δεν έχουν επίπεδο κειμένου και χρειάζονται πρώτα OCR. Όλο το κείμενο έχει διαφυγή HTML.
Παραδείγματα
Ανάρτηση ενός φυλλαδίου στο διαδίκτυο
Ένα φυλλάδιο προϊόντος δύο σελίδων γίνεται επικεφαλίδες h2, παράγραφοι και λίστες με κουκκίδες που επικολλώνται σε ένα CMS και προσαρμόζονται στις οθόνες κινητών.
Έλεγχος του επιπέδου κειμένου
Η διάταξη με θέσεις δείχνει ακριβώς πού βρίσκεται κάθε τμήμα κειμένου μιας φόρμας στη σελίδα, χρήσιμο για τον εντοπισμό σφαλμάτων στη δημιουργία PDF.
Συχνές ερωτήσεις
Μετατρέπονται οι εικόνες και οι πίνακες;
Όχι. Διαβάζεται μόνο το επίπεδο κειμένου. Οι εικόνες και τα γραφικά παραλείπονται και τα κελιά πινάκων εμφανίζονται ως γραμμές κειμένου, επειδή ένα PDF δεν καταγράφει ποιο κείμενο ανήκει σε ποιο κελί.
Γιατί μια επικεφαλίδα εντοπίζεται ως παράγραφος (ή το αντίστροφο);
Οι επικεφαλίδες αναγνωρίζονται μόνο επειδή είναι μεγαλύτερες από το πιο συνηθισμένο μέγεθος κειμένου. Το έντονο κείμενο κανονικού μεγέθους παραμένει παράγραφος και το μεγάλο διακοσμητικό κείμενο μπορεί να γίνει επικεφαλίδα.
Γιατί είναι λανθασμένη η σειρά των παραγράφων;
Το εργαλείο ακολουθεί τη σειρά με την οποία αποθηκεύεται το κείμενο στο PDF. Ορισμένα προγράμματα αποθηκεύουν στήλες, πλευρικές στήλες ή λεζάντες με διαφορετική σειρά από αυτήν που εμφανίζονται.
Το PDF μου δεν βγάζει κείμενο. Τι μπορώ να κάνω;
Πιθανότατα πρόκειται για σαρωμένο έγγραφο. Αναγνωρίστε πρώτα το κείμενο με OCR, για παράδειγμα με το Image to Text (OCR) σε εικόνες σελίδων.
Απόρρητο
Το PDF διαβάζεται στο πρόγραμμα περιήγησής σας με το pdf.js. Το αρχείο και ο κώδικας HTML δεν μεταφορτώνονται, δεν αποθηκεύονται και δεν περιλαμβάνονται στα αναλυτικά στοιχεία· καταγράφεται μόνο ένα ανώνυμο συμβάν χρήσης του εργαλείου.