tigtools

PDF szöveggé

Válasszon PDF-et, és kapja meg annak szövegét egyszerű szövegként, opcionális oldalfejlécekkel, másolásra vagy mentésre készen. A kinyerés a böngészőjében fut a pdf.js segítségével.

Böngészőben fut Regisztráció nélkül

vagy húzza ide. A fájl az eszközén marad.

Használata

  1. Válasszon ki vagy húzzon ide egy PDF-fájlt.
  2. Döntse el, hogy minden oldal ilyen fejléccel kezdődjön-e: „--- 3. oldal ---”.
  3. Kattintson a Szöveg kinyerése lehetőségre, és várja meg, amíg minden oldal beolvasódik.
  4. Másolja ki a szöveget, vagy töltse le UTF-8 .txt fájlként.

Hogyan működik

A szövegszerkesztővel, webhellyel vagy a legtöbb más szoftverrel létrehozott PDF-fájlok szövegréteget tartalmaznak: a karaktereket és azok helyzetét. Az eszköz ezt a réteget oldalanként olvassa be a pdf.js segítségével, és egyszerű szöveges sorokká alakítja. A betűtípusok, méretek, színek, képek és táblázatok nem maradnak meg; a táblázatcellák szóközökkel vagy sortörésekkel elválasztott szövegként jelennek meg.

Az olvasási sorrend a PDF-ben tárolt sorrendet követi, amely általában a vizuális sorrend. A többoszlopos elrendezések, lábjegyzetek és szövegdobozok váratlan sorrendben jelenhetnek meg, a sor végén kötőjellel elválasztott szavak pedig szétválasztva maradnak.

A beolvasott dokumentumok és a PDF-ként mentett fényképek csak szöveget ábrázoló képeket tartalmaznak, szövegrétegük nincs, így semmit nem lehet kinyerni. Az eszköz ezt észleli, és az OCR-re (optikai karakterfelismerés) irányítja, amely szöveget olvas ki a képekből. Egyes PDF-ek szövegei megfelelő karaktertérkép nélküli betűtípusokat használnak; az ilyen szöveg olvashatatlan szimbólumokként jelenhet meg.

A megnyitáshoz jelszót igénylő PDF-ek nem olvashatók. A csak másolási korlátozással rendelkező PDF-ek olvashatók, ezért tartsa tiszteletben a dokumentum tulajdonosának jogait.

Példák

Jelentés idézése

Egy 40 oldalas PDF-jelentés szövegét kinyerheti, rákereshet a szövegmezőben, és kimásolhatja a szükséges bekezdést anélkül, hogy a PDF-megjelenítő kijelölésével kellene vesződnie.

Beolvasott levél

A PDF-be beolvasott levélből nem nyerhető ki szöveg. Az eszköz ezt jelzi, és az OCR-eszközre hivatkozik, amely az oldal képe alapján ismeri fel a szöveget.

Gyakori kérdések

Miért nem található szöveg a PDF-emben?

A PDF valószínűleg beolvasott képeket tartalmaz szöveg helyett. Futtassa át az oldalakat OCR-en a szöveg felismertetéséhez.

Miért rossz sorrendben szerepelnek a szavak vagy sorok?

Az eszköz a fájlban tárolt sorrendet használja. Egyes programok az oszlopokat, fejléceket vagy szövegdobozokat a megjelenéstől eltérő sorrendben tárolják.

Miért tartalmaz a szöveg furcsa szimbólumokat?

Egyes PDF-ek olyan betűtípusokat használnak, amelyekből hiányzik az információ arról, hogy az egyes jelek melyik karaktert jelentik. A látható betűk nem feleltethetők meg szövegnek; az ilyen fájloknál az OCR az egyetlen megoldás.

Megmarad a formázás, például a félkövér stílus vagy a táblázatok?

Nem. A kimenet sortöréseket tartalmazó egyszerű szöveg. A táblázatcellák és oszlopok sorokba rendezett szöveggé válnak.

Adatvédelem

A PDF megnyitása és beolvasása a böngésződben történik a pdf.js segítségével. A fájl és a kinyert szöveg nem kerül feltöltésre, tárolásra vagy elemzésbe; csak egy névtelen esemény számolja, hogy az eszközt használták.