tigtools

PDF na tekst

Wybierz plik PDF i uzyskaj jego tekst jako zwykły tekst, z opcjonalnymi nagłówkami stron, gotowy do skopiowania lub zapisania. Wyodrębnianie odbywa się w przeglądarce przy użyciu pdf.js.

Działa w przeglądarce Bez rejestracji

lub upuść plik tutaj. Plik pozostaje na Twoim urządzeniu.

Jak używać

  1. Wybierz lub upuść plik PDF.
  2. Zdecyduj, czy każda strona ma zaczynać się nagłówkiem, np. „--- Strona 3 ---”.
  3. Wybierz opcję Wyodrębnij tekst i poczekaj, aż wszystkie strony zostaną odczytane.
  4. Skopiuj tekst lub pobierz go jako plik .txt w kodowaniu UTF-8.

Jak to działa

Pliki PDF utworzone w edytorze tekstu, na stronie internetowej lub w większości innych programów zawierają warstwę tekstową: znaki i ich położenie. Narzędzie odczytuje tę warstwę strona po stronie przy użyciu pdf.js i zamienia ją na wiersze zwykłego tekstu. Czcionki, rozmiary, kolory, obrazy i tabele nie są zachowywane; komórki tabeli są wypisywane jako tekst rozdzielony spacjami lub znakami nowego wiersza.

Kolejność odczytu jest zgodna z kolejnością zapisaną w pliku PDF, która zwykle odpowiada kolejności wizualnej. Układy wielokolumnowe, przypisy i pola tekstowe mogą pojawić się w nieoczekiwanej kolejności, a wyrazy podzielone na końcu wiersza pozostają rozdzielone.

Zeskanowane dokumenty i zdjęcia zapisane jako PDF zawierają tylko obrazy tekstu i nie mają warstwy tekstowej, więc nie można z nich nic wyodrębnić. Narzędzie wykrywa taką sytuację i kieruje do narzędzia OCR (optyczne rozpoznawanie znaków), które odczytuje tekst z obrazów. Tekst w niektórych plikach PDF używa czcionek bez poprawnej mapy znaków; taki tekst może pojawić się jako nieczytelne symbole.

Plików PDF wymagających hasła do otwarcia nie można odczytać. Pliki PDF z ograniczeniami tylko do kopiowania są odczytywane, dlatego należy szanować prawa właściciela dokumentu.

Przykłady

Cytowanie raportu

Wyodrębnij tekst z 40-stronicowego raportu PDF, wyszukaj go w polu tekstowym i skopiuj potrzebny akapit, bez zmagania się z zaznaczaniem w przeglądarce PDF.

Zeskanowany list

List zeskanowany do PDF nie zawiera tekstu. Narzędzie informuje o tym i odsyła do narzędzia OCR, które potrafi rozpoznać tekst z obrazu strony.

Często zadawane pytania

Dlaczego w moim pliku PDF nie znaleziono tekstu?

Plik PDF najprawdopodobniej zawiera zeskanowane obrazy, a nie tekst. Przepuść strony przez OCR, aby rozpoznać tekst.

Dlaczego wyrazy lub wiersze są w złej kolejności?

Narzędzie korzysta z kolejności, w jakiej tekst jest zapisany w pliku. Niektóre programy zapisują kolumny, nagłówki lub pola tekstowe w innej kolejności, niż są wyświetlane.

Dlaczego tekst zawiera dziwne symbole?

Niektóre pliki PDF używają czcionek bez informacji, który znak odpowiada danemu glifowi. Widocznych liter nie można z powrotem przypisać do tekstu; w przypadku takich plików jedyną opcją jest OCR.

Czy zachowywane jest formatowanie, takie jak pogrubienia lub tabele?

Nie. Wynik to zwykły tekst z podziałem na wiersze. Komórki i kolumny tabel stają się tekstem w kolejnych wierszach.

Prywatność

Plik PDF jest otwierany i odczytywany w przeglądarce przy użyciu pdf.js. Plik i wyodrębniony tekst nie są przesyłane, przechowywane ani uwzględniane w statystykach; zliczane jest tylko anonimowe zdarzenie, że narzędzie zostało użyte.