نحوه استفاده
- فایل PDF را انتخاب کنید یا بکشید و رها کنید.
- تصمیم بگیرید که هر صفحه با عنوانی مانند «--- صفحه ۳ ---» شروع شود یا نه.
- «استخراج متن» را انتخاب کنید و منتظر بمانید تا همه صفحه‌ها خوانده شوند.
- متن را کپی کنید یا آن را به‌عنوان فایل .txt با کدگذاری UTF-8 دانلود کنید.
نحوه کار
فایل‌های PDF که با واژه‌پرداز، وب‌سایت یا بیشتر نرم‌افزارهای دیگر ساخته شده‌اند یک لایه متنی دارند: نویسه‌ها و موقعیت آن‌ها. این ابزار آن لایه را صفحه‌به‌صفحه با pdf.js می‌خواند و به خطوطی از متن ساده تبدیل می‌کند. فونت‌ها، اندازه‌ها، رنگ‌ها، تصویرها و جدول‌ها حفظ نمی‌شوند؛ محتوای سلول‌های جدول به‌صورت متنی با فاصله یا خط جدید درمی‌آید.
ترتیب خواندن از ترتیب ذخیره‌شده در PDF پیروی می‌کند که معمولاً همان ترتیب دیداری است. چیدمان‌های چندستونه، پانوشت‌ها و جعبه‌های متن ممکن است با ترتیبی غیرمنتظره بیرون بیایند و واژه‌هایی که در پایان سطر با خط تیره جدا شده‌اند همچنان جدا می‌مانند.
سندهای اسکن‌شده و عکس‌هایی که به‌صورت PDF ذخیره شده‌اند فقط تصویری از متن دارند و لایه متنی ندارند؛ بنابراین چیزی استخراج نمی‌شود. ابزار این حالت را تشخیص می‌دهد و شما را به OCR (تشخیص نوری نویسه) راهنمایی می‌کند که متن را از تصویر می‌خواند. متن برخی PDFها از فونت‌هایی بدون نگاشت نویسه مناسب استفاده می‌کند؛ چنین متنی ممکن است به‌صورت نمادهای ناخوانا بیرون بیاید.
PDFهایی که برای باز شدن به رمز عبور نیاز دارند خوانده نمی‌شوند. PDFهایی که فقط محدودیت کپی دارند خوانده می‌شوند؛ پس حقوق مالک سند را رعایت کنید.
نمونه‌ها
نقل‌قول از گزارش
متن گزارش ۴۰صفحه‌ای PDF را استخراج کنید، آن را در جعبه متن جستجو کنید و پاراگرافی را که نیاز دارید کپی کنید، بدون درگیر شدن با انتخاب متن در نمایشگر PDF.
نامه اسکن‌شده
نامه‌ای که به PDF اسکن شده باشد متنی تولید نمی‌کند. ابزار این موضوع را اعلام می‌کند و به ابزار OCR پیوند می‌دهد که می‌تواند متن را از تصویر صفحه تشخیص دهد.
پرسش‌های متداول
چرا در PDF من متنی پیدا نمی‌شود؟
این PDF به احتمال زیاد به‌جای متن شامل تصاویر اسکن‌شده است. صفحه‌ها را از طریق OCR اجرا کنید تا متن تشخیص داده شود.
چرا واژه‌ها یا خطوط به ترتیب نادرست هستند؟
ابزار از ترتیبی استفاده می‌کند که متن در فایل ذخیره شده است. برخی برنامه‌ها ستون‌ها، سرصفحه‌ها یا جعبه‌های متن را به ترتیبی متفاوت از نمایش آن‌ها ذخیره می‌کنند.
چرا متن شامل نمادهای عجیب است؟
برخی PDFها از فونت‌هایی بدون اطلاعات درباره این‌که هر گلیف چه نویسه‌ای را نشان می‌دهد استفاده می‌کنند. حروف دیده‌شده نمی‌توانند دوباره به متن نگاشت شوند؛ برای چنین فایل‌هایی OCR تنها راه است.
آیا قالب‌بندی مانند پررنگ یا جدول‌ها حفظ می‌شود؟
خیر. خروجی متن ساده با خطوط جدید است. سلول‌ها و ستون‌های جدول به صورت متن در خطوط درمی‌آیند.
حریم خصوصی
فایل PDF با pdf.js در مرورگر شما باز و خوانده می‌شود. فایل و متن استخراج‌شده بارگذاری، ذخیره یا در تحلیل‌ها ثبت نمی‌شوند؛ فقط یک رویداد ناشناس مبنی بر استفاده از ابزار شمارش می‌شود.