Jak używać
- Wybierz lub upuść plik PDF.
- Wybierz układ Akapity i nagłówki lub Pozycjonowany.
- Wybierz Konwertuj na HTML i poczekaj, aż wszystkie strony zostaną odczytane.
- Sprawdź podgląd, a następnie skopiuj kod lub pobierz plik .html.
Jak to działa
To narzędzie odczytuje warstwę tekstową każdej strony za pomocą pdf.js: każdy fragment tekstu wraz z jego położeniem i rozmiarem czcionki. W trybie Akapity i nagłówki fragmenty leżące na tej samej linii bazowej są łączone w wiersze, a wiersze są grupowane w akapity na podstawie odstępów pionowych i wcięć. Wiersze zapisane wyraźnie większą czcionką niż tekst podstawowy stają się nagłówkami (h1–h3), wiersze zaczynające się od punktora lub liczby, np. 1., stają się elementami listy, a wyrazy z łącznikiem na końcu wiersza są łączone, gdy następny wiersz zaczyna się małą literą. Komentarz HTML oznacza początek każdej strony.
W trybie Układ pozycjonowany każdy fragment tekstu staje się elementem span umieszczonym na współrzędnych w polu o rozmiarze strony, z użyciem ogólnej czcionki szeryfowej, bezszeryfowej lub o stałej szerokości. Przypomina to plik PDF, ale nie nadaje się do edycji.
Konwertowany jest tylko tekst. Obrazy, rysunki, obramowania tabel, kolory, czcionki, pogrubienia i kursywa oraz łącza nie są przenoszone; tabele są odtwarzane jako wiersze tekstu. Strony wielokolumnowe są odczytywane w kolejności, w jakiej tekst jest zapisany, co zwykle — ale nie zawsze — odpowiada kolejności czytania. Zeskanowane pliki PDF nie mają warstwy tekstowej i wymagają najpierw OCR. Cały tekst jest kodowany jako encje HTML.
Przykłady
Publikowanie broszury online
Dwustronicowa broszura produktowa staje się nagłówkami h2, akapitami i listami punktowanymi, które można wkleić do systemu CMS i które dopasowują się do ekranów telefonów.
Sprawdzanie warstwy tekstowej
Układ pozycjonowany pokazuje dokładnie, gdzie na stronie znajduje się każdy fragment tekstu formularza, co jest przydatne podczas debugowania generowania plików PDF.
Często zadawane pytania
Czy obrazy i tabele są konwertowane?
Nie. Odczytywana jest tylko warstwa tekstowa. Obrazy i grafiki są pomijane, a komórki tabel są odtwarzane jako wiersze tekstu, ponieważ plik PDF nie zapisuje, który tekst należy do której komórki.
Dlaczego nagłówek jest wykrywany jako akapit (albo odwrotnie)?
Nagłówki są rozpoznawane tylko na podstawie tego, że są większe niż najczęściej występujący rozmiar tekstu. Pogrubiony tekst o normalnym rozmiarze pozostaje akapitem, a duży tekst dekoracyjny może zostać uznany za nagłówek.
Dlaczego kolejność akapitów jest nieprawidłowa?
Narzędzie zachowuje kolejność, w jakiej tekst jest zapisany w pliku PDF. Niektóre programy zapisują kolumny, panele boczne lub podpisy w innej kolejności, niż wynika to z ich rozmieszczenia.
Mój PDF nie zwraca żadnego tekstu. Co mogę zrobić?
Najprawdopodobniej to zeskanowany dokument. Najpierw rozpoznaj tekst za pomocą OCR, na przykład narzędziem Obraz na tekst (OCR) na obrazach stron.
Prywatność
Plik PDF jest odczytywany w Twojej przeglądarce za pomocą pdf.js. Plik i kod HTML nie są przesyłane, przechowywane ani uwzględniane w analityce; zliczane jest tylko anonimowe zdarzenie użycia narzędzia.