Käyttöohje
- Valitse tai pudota PDF-tiedosto.
- Valitse Kappaleet ja otsikot tai Sijoitettu asettelu.
- Valitse Muunna HTML:ksi ja odota, että kaikki sivut on luettu.
- Tarkista esikatselu ja kopioi sitten koodi tai lataa .html-tiedosto.
Näin se toimii
Työkalu lukee kunkin sivun tekstikerroksen pdf.js:n avulla: jokainen tekstinpala sijainteineen ja fonttikokoineen. Kappaleet ja otsikot -tilassa samalla perusviivalla olevat palat yhdistetään riveiksi, ja rivit ryhmitellään kappaleiksi pystysuuntaisen välistyksen ja sisennyksen perusteella. Selvästi leipätekstiä suuremmalla fontilla olevat rivit muuttuvat otsikoiksi (h1–h3), luetelmaviivalla tai numerolla, kuten 1., alkavat rivit muuttuvat luettelokohteiksi, ja rivin lopussa tavutetut sanat yhdistetään, kun seuraava rivi alkaa pienellä kirjaimella. HTML-kommentti merkitsee kunkin sivun alkamiskohdan.
Sijoitetussa asettelutilassa jokainen tekstinpala muuttuu span-elementiksi, joka sijoitetaan koordinaattiensa mukaisesti sivun kokoiselle laatikolle käyttäen yleistä serif-, sans-serif- tai monospace-fonttia. Se muistuttaa PDF-tiedostoa, mutta ei sovellu muokkaamiseen.
Vain teksti muunnetaan. Kuvia, piirroksia, taulukon reunaviivoja, värejä, fontteja, lihavointia ja kursivointia sekä linkkejä ei siirretä; taulukot tulevat tekstiriveinä. Monipalstaiset sivut luetaan siinä järjestyksessä, jossa teksti on tallennettu, mikä on yleensä mutta ei aina lukujärjestys. Skannatuissa PDF-tiedostoissa ei ole tekstikerrosta, ja ne vaativat ensin OCR-käsittelyn. Kaikki teksti on HTML-escaped.
Esimerkit
Esitteen julkaiseminen verkossa
Kaksisivuinen tuote-esite muuttuu h2-otsikoiksi, kappaleiksi ja luettelomerkityiksi listoiksi, jotka voi liittää CMS-järjestelmään ja jotka mukautuvat puhelimen näytölle.
Tekstikerroksen tarkistaminen
Asemoitu asettelu näyttää tarkalleen, missä kukin lomakkeen tekstikatkelma sijaitsee sivulla, mikä on hyödyllistä PDF-tuotannon virheiden selvittämisessä.
Usein kysytyt kysymykset
Muunnetaanko kuvat ja taulukot?
Ei. Vain tekstikerros luetaan. Kuvat ja grafiikka ohitetaan, ja taulukon solut tulevat tekstiriveinä, koska PDF ei tallenna, mikä teksti kuuluu mihinkin soluun.
Miksi otsikko tunnistetaan kappaleeksi (tai päinvastoin)?
Otsikot tunnistetaan vain sen perusteella, että ne ovat suurempia kuin yleisin tekstikoko. Normaalikokoinen lihavoitu teksti säilyy kappaleena, ja suuri koristeteksti saatetaan tulkita otsikoksi.
Miksi kappaleiden järjestys on väärä?
Työkalu noudattaa järjestystä, jossa teksti on tallennettu PDF-tiedostoon. Jotkin ohjelmat tallentavat palstat, sivupalkit tai kuvatekstit eri järjestyksessä kuin missä ne näkyvät.
PDF-tiedostostani ei saa tekstiä. Mitä voin tehdä?
Kyseessä on todennäköisesti skannattu asiakirja. Tunnista teksti ensin OCR:n avulla, esimerkiksi Image to Text (OCR) -työkalulla sivukuvista.
Tietosuoja
PDF luetaan selaimessasi pdf.js:n avulla. Tiedostoa ja HTML-koodia ei ladata palvelimelle, tallenneta eikä sisällytetä analytiikkaan; vain anonyymi tapahtuma työkalun käytöstä lasketaan.