איך להשתמש בו
- בחרו קובץ PDF או גררו אותו לכאן.
- בחרו באפשרות 'פסקאות וכותרות' או 'פריסה ממוקמת'.
- לחצו על 'המרה ל-HTML' והמתינו עד שכל העמודים ייקראו.
- בדקו את התצוגה המקדימה, ולאחר מכן העתיקו את הקוד או הורידו את קובץ ה-.html.
איך זה עובד
הכלי קורא את שכבת הטקסט של כל עמוד באמצעות pdf.js: כל קטע טקסט עם מיקומו וגודל הגופן שלו. במצב פסקאות וכותרות, קטעים על אותו קו בסיס מחוברים לשורות, ושורות מקובצות לפסקאות לפי הריווח האנכי וההזחה שלהן. שורות בגופן גדול במידה ניכרת מטקסט הגוף הופכות לכותרות (h1–h3), שורות שמתחילות בתבליט או במספר כגון 1. הופכות לפריטי רשימה, ומילים עם מקף בסוף שורה מחוברות כאשר השורה הבאה מתחילה באות קטנה. תגית HTML מסמנת היכן מתחיל כל עמוד.
במצב פריסה לפי מיקום, כל קטע טקסט הופך ל־span הממוקם בקואורדינטות שלו על תיבה בגודל העמוד, תוך שימוש בגופן גנרי serif, sans-serif או monospace. התוצאה דומה ל־PDF אך אינה מתאימה לעריכה.
מומר טקסט בלבד. תמונות, ציורים, גבולות טבלאות, צבעים, גופנים, מודגש ונטוי וקישורים אינם מועברים; טבלאות מופיעות כשורות טקסט. עמודים מרובי עמודות נקראים לפי הסדר שבו הטקסט נשמר, שהוא בדרך כלל אך לא תמיד סדר הקריאה. קובצי PDF סרוקים הם ללא שכבת טקסט ויש לבצע להם OCR תחילה. כל הטקסט עובר escaping של HTML.
דוגמאות
העלאת חוברת לאינטרנט
חוברת מוצר בת שני עמודים הופכת לכותרות h2, פסקאות ורשימות תבליטים שניתן להדביק במערכת CMS ומתאימות למסכי טלפון.
בדיקת שכבת הטקסט
הפריסה לפי מיקום מראה בדיוק היכן כל קטע טקסט של טופס ממוקם בעמוד, שימושי לניפוי שגיאות ביצירת PDF.
שאלות נפוצות
האם תמונות וטבלאות מומרות?
לא. נקראת רק שכבת הטקסט. תמונות וגרפיקה מדולגות, ותאי טבלה מופיעים כשורות טקסט מכיוון שקובץ PDF אינו מתעד איזה טקסט שייך לאיזה תא.
מדוע כותרת מזוהה כפסקה (או להפך)?
כותרות מזוהות רק אם הן גדולות מגודל הטקסט הנפוץ ביותר. טקסט מודגש בגודל רגיל נשאר פסקה, וטקסט דקורטיבי גדול עלול להפוך לכותרת.
מדוע סדר הפסקאות שגוי?
הכלי פועל לפי הסדר שבו הטקסט נשמר בקובץ ה־PDF. חלק מהתוכנות שומרות עמודות, סרגלי צד או כיתובים בסדר שונה מהסדר שבו הם מופיעים.
ה-PDF שלי לא מחזיר טקסט. מה אפשר לעשות?
סביר להניח שמדובר במסמך סרוק. יש לזהות את הטקסט באמצעות OCR תחילה, למשל עם Image to Text (OCR) על תמונות העמודים.
פרטיות
קובץ ה-PDF נקרא בדפדפן שלכם באמצעות pdf.js. הקובץ וה-HTML אינם מועלים, אינם נשמרים ואינם נכללים בניתוחים סטטיסטיים; נספר רק אירוע אנונימי של שימוש בכלי.