Come si usa
- Scegli o trascina un file PDF.
- Decidi se ogni pagina deve iniziare con un'intestazione come “--- Pagina 3 ---”.
- Seleziona Estrai testo e attendi che tutte le pagine vengano lette.
- Copia il testo o scaricalo come file .txt UTF-8.
Come funziona
I file PDF creati da un elaboratore di testi, da un sito web o dalla maggior parte degli altri software contengono un livello di testo: i caratteri e le loro posizioni. Lo strumento legge quel livello pagina per pagina con pdf.js e lo trasforma in righe di testo semplice. I font, le dimensioni, i colori, le immagini e le tabelle non vengono mantenuti; le celle delle tabelle risultano come testo separato da spazi o interruzioni di riga.
L'ordine di lettura segue l'ordine memorizzato nel PDF, che di solito è l'ordine visivo. Le impaginazioni a più colonne, le note a piè di pagina e le caselle di testo possono comparire in una sequenza inaspettata, e le parole con trattino a fine riga restano separate.
I documenti scansionati e le foto salvate come PDF contengono solo immagini di testo e non hanno un livello di testo, quindi non è possibile estrarre nulla. Lo strumento rileva questa situazione e rimanda all'OCR (riconoscimento ottico dei caratteri), che legge il testo dalle immagini. Il testo in alcuni PDF utilizza font senza una mappa dei caratteri corretta; questo testo può risultare come simboli illeggibili.
I PDF che richiedono una password per essere aperti non possono essere letti. I PDF con sole restrizioni di copia vengono letti, quindi rispetta i diritti del proprietario del documento.
Esempi
Citare un report
Estrai il testo di un report PDF di 40 pagine, cercalo nella casella di testo e copia il paragrafo che ti serve senza combattere con la selezione del visualizzatore PDF.
Lettera scansionata
Una lettera scansionata in PDF non produce testo. Lo strumento lo segnala e collega allo strumento OCR, che può riconoscere il testo da un'immagine della pagina.
Domande frequenti
Perché nel mio PDF non viene trovato alcun testo?
Probabilmente il PDF contiene immagini scansionate anziché testo. Esegui l'OCR sulle pagine per riconoscere il testo.
Perché le parole o le righe sono nell'ordine sbagliato?
Lo strumento utilizza l'ordine in cui il testo è memorizzato nel file. Alcuni programmi memorizzano colonne, intestazioni o caselle di testo in un ordine diverso da come appaiono.
Perché il testo contiene simboli strani?
Alcuni PDF usano font senza informazioni su quale carattere rappresenta ciascun glifo. Le lettere visibili non possono essere mappate di nuovo in testo; per questi file l'OCR è l'unica opzione.
La formattazione come il grassetto o le tabelle viene mantenuta?
No. L'output è testo semplice con interruzioni di riga. Le celle e le colonne delle tabelle diventano testo su righe.
Privacy
Il PDF viene aperto e letto nel tuo browser con pdf.js. Il file e il testo estratto non vengono caricati, salvati né inclusi nelle statistiche; viene conteggiato solo un evento anonimo relativo all'uso dello strumento.