Cum se folosește
- Alegeți sau trageți un fișier PDF.
- Alegeți Paragrafe și titluri sau Aspect poziționat.
- Selectați Convertiți în HTML și așteptați citirea tuturor paginilor.
- Verificați previzualizarea, apoi copiați codul sau descărcați fișierul .html.
Cum funcționează
Instrumentul citește stratul de text al fiecărei pagini cu pdf.js: fiecare fragment de text cu poziția și dimensiunea fontului. În modul Paragrafe și titluri, fragmentele de pe aceeași linie de bază sunt unite în linii, iar liniile sunt grupate în paragrafe pe baza spațierii verticale și a indentării. Liniile scrise cu o dimensiune vizibil mai mare decât textul de bază devin titluri (h1–h3), liniile care încep cu un marcator sau cu un număr, cum ar fi 1., devin elemente de listă, iar cuvintele despărțite la capăt de rând sunt reunite atunci când următorul rând începe cu o literă mică. Un comentariu HTML marchează locul în care începe fiecare pagină.
În modul Poziționare exactă, fiecare fragment de text devine un span plasat la coordonatele sale într-un cadru de dimensiunea paginii, folosind un font generic serif, sans-serif sau monospace. Rezultatul seamănă cu PDF-ul, dar nu este potrivit pentru editare.
Se convertește doar textul. Imaginile, desenele, chenarele de tabel, culorile, fonturile, caracterele aldine și italice și linkurile nu sunt preluate; tabelele apar ca linii de text. Paginile cu mai multe coloane sunt citite în ordinea în care este stocat textul, care de obicei, dar nu întotdeauna, este ordinea de citire. PDF-urile scanate nu au strat de text și necesită mai întâi OCR. Tot textul este escapat HTML.
Exemple
Publicarea unei broșuri online
O broșură de produs de două pagini devine titluri h2, paragrafe și liste cu marcatori, care se pot lipi într-un CMS și se adaptează la ecranele telefoanelor.
Verificarea stratului de text
Modul Poziționare exactă arată exact unde se află fiecare fragment de text dintr-un formular pe pagină, fiind util pentru depanarea generării PDF-urilor.
Întrebări frecvente
Sunt convertite imaginile și tabelele?
Nu. Se citește doar stratul de text. Imaginile și elementele grafice sunt ignorate, iar celulele de tabel apar ca linii de text, deoarece un PDF nu înregistrează cărei celule îi aparține textul.
De ce un titlu este detectat ca paragraf (sau invers)?
Titlurile sunt recunoscute doar dacă au dimensiunea mai mare decât dimensiunea de text cea mai frecventă. Textul aldin de dimensiune normală rămâne un paragraf, iar textul decorativ mare poate deveni un titlu.
De ce este greșită ordinea paragrafelor?
Instrumentul urmează ordinea în care textul este stocat în PDF. Unele programe stochează coloanele, barele laterale sau subtitrările într-o ordine diferită de cea în care apar.
PDF-ul meu nu produce text. Ce pot face?
Cel mai probabil este un document scanat. Recunoașteți mai întâi textul cu OCR, de exemplu cu Image to Text (OCR) pe imaginile paginilor.
Confidențialitate
PDF-ul este citit în browserul dvs. cu pdf.js. Fișierul și HTML-ul nu sunt încărcate, stocate sau incluse în statistici; este contorizat doar un eveniment anonim de utilizare a instrumentului.