tigtools

PDF ke Teks

Pilih PDF dan dapatkan teksnya sebagai teks biasa, dengan tajuk halaman pilihan, sedia untuk disalin atau disimpan. Pengekstrakan dijalankan dalam penyemak imbas anda menggunakan pdf.js.

Berjalan dalam pelayar anda Tanpa pendaftaran

atau lepaskan di sini. Fail kekal pada peranti anda.

Cara menggunakannya

  1. Pilih atau lepaskan fail PDF.
  2. Tentukan sama ada setiap halaman harus bermula dengan tajuk seperti “--- Halaman 3 ---”.
  3. Pilih Ekstrak teks dan tunggu semua halaman dibaca.
  4. Salin teks atau muat turunnya sebagai fail .txt UTF-8.

Cara ia berfungsi

Fail PDF yang dihasilkan daripada pemproses kata, laman web atau kebanyakan perisian lain mengandungi lapisan teks: aksara dan kedudukannya. Alat ini membaca lapisan itu halaman demi halaman dengan pdf.js dan menukarkannya menjadi baris teks biasa. Fon, saiz, warna, imej dan jadual tidak dikekalkan; sel jadual keluar sebagai teks yang dipisahkan oleh ruang atau pemisah baris.

Urutan bacaan mengikuti urutan yang disimpan dalam PDF, yang biasanya urutan visual. Susun atur berbilang lajur, nota kaki dan kotak teks mungkin keluar dalam turutan yang tidak dijangka, dan perkataan yang disempang di hujung baris kekal terpisah.

Dokumen yang diimbas dan foto yang disimpan sebagai PDF hanya mengandungi imej teks dan tidak mempunyai lapisan teks, jadi tiada apa yang boleh diekstrak. Alat ini mengesan keadaan ini dan membawa anda ke OCR (pengecaman aksara optik), yang membaca teks daripada imej. Teks dalam sesetengah PDF menggunakan fon tanpa peta aksara yang betul; teks sedemikian mungkin keluar sebagai simbol yang tidak boleh dibaca.

PDF yang memerlukan kata laluan untuk dibuka tidak boleh dibaca. PDF yang hanya mempunyai sekatan salinan boleh dibaca, jadi hormati hak pemilik dokumen.

Contoh

Memetik laporan

Ekstrak teks laporan PDF 40 halaman, cari dalam kotak teks dan salin perenggan yang anda perlukan tanpa bersusah payah dengan pemilihan dalam pemapar PDF.

Surat diimbas

Surat yang diimbas ke PDF tidak menghasilkan teks. Alat ini memberitahu anda dan memautkan ke alat OCR, yang boleh mengecam teks daripada imej halaman.

Soalan Lazim

Mengapa tiada teks ditemui dalam PDF saya?

PDF itu kemungkinan besar mengandungi imej imbasan, bukan teks. Jalankan halaman tersebut melalui OCR untuk mengecam teks.

Mengapa perkataan atau baris berada dalam urutan yang salah?

Alat ini menggunakan urutan teks disimpan dalam fail. Sesetengah program menyimpan lajur, pengepala atau kotak teks dalam urutan yang berbeza daripada yang dipaparkan.

Mengapa teks mengandungi simbol pelik?

Sesetengah PDF menggunakan fon tanpa maklumat tentang aksara yang diwakili oleh setiap glif. Huruf yang kelihatan tidak dapat dipetakan semula kepada teks; OCR ialah satu-satunya pilihan untuk fail sedemikian.

Adakah pemformatan seperti huruf tebal atau jadual dikekalkan?

Tidak. Output ialah teks biasa dengan pemisah baris. Sel jadual dan lajur menjadi teks pada baris.

Privasi

PDF dibuka dan dibaca dalam pelayar anda menggunakan pdf.js. Fail dan teks yang diekstrak tidak dimuat naik, disimpan atau disertakan dalam analitik; hanya peristiwa tanpa nama yang menunjukkan alat ini digunakan dikira.