نحوه استفاده
- یک فایل PDF انتخاب کنید یا بکشید و رها کنید.
- گزینه «پاراگراف‌ها و عنوان‌ها» یا «چیدمان موقعیتی» را انتخاب کنید.
- «تبدیل به HTML» را بزنید و منتظر بمانید همه صفحات خوانده شوند.
- پیش‌نمایش را بررسی کنید، سپس کد را کپی کنید یا فایل .html را دانلود کنید.
نحوه کار
ابزار لایهٔ متنی هر صفحه را با pdf.js می‌خواند: هر تکه متن با موقعیت و اندازهٔ قلم آن. در حالت پاراگراف‌ها و عنوان‌ها، تکه‌های روی یک خط پایه به خطوط می‌پیوندند و خطوط بر اساس فاصلهٔ عمودی و تورفتگی به پاراگراف‌ها گروه‌بندی می‌شوند. خطوطی که به‌طور مشخص بزرگ‌تر از متن بدنه‌اند به عنوان (h1–h3) تبدیل می‌شوند، خطوطی که با نشانهٔ گلوله یا عددی مانند 1. شروع می‌شوند به آیتم فهرست تبدیل می‌شوند، و کلماتی که در پایان خط با نیم‌خط شکسته شده‌اند، وقتی خط بعدی با حرف کوچک شروع شود به هم می‌پیوندند. یک کامنت HTML مشخص می‌کند هر صفحه از کجا شروع می‌شود.
در حالت چیدمان موقعیتی، هر تکه متن به یک span تبدیل می‌شود که در مختصات خود روی جعبه‌ای به اندازهٔ صفحه قرار می‌گیرد و از قلم عمومی serif، sans-serif یا monospace استفاده می‌کند. این حالت به PDF شباهت دارد اما برای ویرایش مناسب نیست.
فقط متن تبدیل می‌شود. تصاویر، رسم‌ها، حاشیه‌های جدول، رنگ‌ها، قلم‌ها، توپر و مورب و پیوندها منتقل نمی‌شوند؛ جدول‌ها به‌صورت خطوط متنی درمی‌آیند. صفحه‌های چندستونه به ترتیبی که متن ذخیره شده خوانده می‌شوند که معمولاً اما نه همیشه ترتیب خواندن است. PDFهای اسکن‌شده لایهٔ متنی ندارند و ابتدا به OCR نیاز دارند. همهٔ متن‌ها HTML-escaped می‌شوند.
نمونه‌ها
انتشار آنلاین بروشور
یک بروشور محصول دو صفحه‌ای به عنوان‌های h2، پاراگراف‌ها و فهرست‌های گلوله‌ای تبدیل می‌شود که می‌توان آن‌ها را در یک CMS جای‌گذاری کرد و با نمایشگر موبایل سازگارند.
بررسی لایهٔ متنی
چیدمان موقعیتی دقیقاً نشان می‌دهد هر تکه متن در یک فرم در کجای صفحه قرار دارد؛ این برای اشکال‌زدایی تولید PDF مفید است.
پرسش‌های متداول
آیا تصاویر و جدول‌ها تبدیل می‌شوند؟
خیر. فقط لایهٔ متنی خوانده می‌شود. تصاویر و گرافیک‌ها نادیده گرفته می‌شوند و سلول‌های جدول به‌صورت خطوط متنی درمی‌آیند، زیرا PDF ثبت نمی‌کند هر متن به کدام سلول تعلق دارد.
چرا یک عنوان به‌جای پاراگراف تشخیص داده می‌شود (یا برعکس)؟
عنوان‌ها فقط بر اساس بزرگ‌تر بودن از رایج‌ترین اندازهٔ متن تشخیص داده می‌شوند. متن توپر با اندازهٔ عادی پاراگراف باقی میماند و متن تزئینی بزرگ ممکن است عنوان شود.
چرا ترتیب پاراگراف‌ها اشتباه است؟
ابزار از ترتیبی پیروی می‌کند که متن در PDF ذخیره شده است. برخی برنامه‌ها ستون‌ها، نوارهای کناری یا زیرنویس‌ها را به ترتیبی متفاوت از نمایش ظاهری ذخیره می‌کنند.
فایل PDF من متنی ندارد. چه کاری میتوانم انجام دهم؟
به‌احتمال زیاد یک سند اسکن‌شده است. ابتدا متن را با OCR شناسایی کنید؛ برای مثال با ابزار Image to Text (OCR) روی تصاویر صفحه.
حریم خصوصی
فایل PDF با pdf.js در مرورگر شما خوانده می‌شود. فایل و HTML خروجی بارگذاری، ذخیره یا در تحلیلها گنجانده نمی‌شوند؛ فقط یک رویداد ناشناس مبنی بر استفاده از ابزار شمارش می‌شود.