tigtools

PDF naar tekst

Kies een PDF en krijg de tekst als platte tekst, met optionele paginakoppen, klaar om te kopiëren of op te slaan. De extractie wordt in uw browser uitgevoerd met pdf.js.

Werkt in je browser Geen registratie nodig

of zet het hier neer. Het bestand blijft op je apparaat.

Zo gebruik je deze tool

  1. Kies of sleep een PDF-bestand.
  2. Kies of elke pagina moet beginnen met een koptekst zoals “--- Pagina 3 ---”.
  3. Selecteer Tekst extraheren en wacht tot alle pagina's zijn gelezen.
  4. Kopieer de tekst of download deze als een UTF-8 .txt-bestand.

Hoe het werkt

PDF-bestanden die zijn gemaakt vanuit een tekstverwerker, een website of de meeste andere software bevatten een tekstlaag: de tekens en hun posities. De tool leest die laag pagina voor pagina met pdf.js en zet deze om in regels platte tekst. Lettertypen, lettergroottes, kleuren, afbeeldingen en tabellen blijven niet behouden; tabelcellen verschijnen als tekst gescheiden door spaties of regeleinden.

De leesvolgorde volgt de volgorde die in de PDF is opgeslagen, meestal de visuele volgorde. Lay-outs met meerdere kolommen, voetnoten en tekstvakken kunnen in een onverwachte volgorde verschijnen en woorden met afbrekingsstreepjes aan het einde van regels blijven gesplitst.

Gescande documenten en foto's die als PDF zijn opgeslagen bevatten alleen afbeeldingen van tekst en hebben geen tekstlaag, dus er kan niets worden geëxtraheerd. De tool detecteert dit en verwijst je naar OCR (optische tekenherkenning), waarmee tekst uit afbeeldingen wordt gelezen. Tekst in sommige PDF's gebruikt lettertypen zonder correcte tekentabel; zulke tekst kan als onleesbare symbolen verschijnen.

PDF's die een wachtwoord vereisen om te openen, kunnen niet worden gelezen. PDF's met alleen kopieerbeperkingen worden wel gelezen; respecteer daarom de rechten van de eigenaar van het document.

Voorbeelden

Citeren uit een rapport

Extraheer de tekst van een PDF-rapport van 40 pagina's, zoek de tekst in het tekstvak en kopieer de alinea die u nodig hebt zonder last te hebben van de selectie in de PDF-viewer.

Gescande brief

Een brief die naar PDF is gescand, bevat geen tekst. De tool geeft dit aan en linkt naar de OCR-tool, waarmee u de tekst van een afbeelding van de pagina kunt herkennen.

Veelgestelde vragen

Waarom wordt er geen tekst gevonden in mijn PDF?

De PDF bevat waarschijnlijk gescande afbeeldingen in plaats van tekst. Verwerk de pagina's met OCR om de tekst te herkennen.

Waarom staan woorden of regels in de verkeerde volgorde?

De tool gebruikt de volgorde waarin tekst in het bestand is opgeslagen. Sommige programma's slaan kolommen, kopteksten of tekstvakken in een andere volgorde op dan waarin ze worden weergegeven.

Waarom bevat de tekst vreemde symbolen?

Sommige PDF's gebruiken lettertypen zonder informatie over welk teken elke glyph vertegenwoordigt. De zichtbare letters kunnen niet aan tekst worden gekoppeld; OCR is de enige optie voor dergelijke bestanden.

Blijft opmaak zoals vet of tabellen behouden?

Nee. De uitvoer is platte tekst met regeleinden. Tabelcellen en kolommen worden als tekst op regels weergegeven.

Privacy

De PDF wordt in uw browser geopend en gelezen met pdf.js. Het bestand en de geëxtraheerde tekst worden niet geüpload, opgeslagen of opgenomen in analytics; alleen een anonieme gebeurtenis dat de tool is gebruikt, wordt geteld.