Cum se folosește
- Alegeți sau trageți un fișier PDF.
- Decideți dacă fiecare pagină trebuie să înceapă cu un antet precum „--- Pagina 3 ---”.
- Selectați „Extrage textul” și așteptați citirea tuturor paginilor.
- Copiați textul sau descărcați-l ca fișier .txt UTF-8.
Cum funcționează
Fișierele PDF create dintr-un procesor de text, de pe un site web sau din majoritatea celorlalte programe conțin un strat de text: caracterele și pozițiile lor. Instrumentul citește acest strat pagină cu pagină cu pdf.js și îl transformă în linii de text simplu. Fonturile, dimensiunile, culorile, imaginile și tabelele nu sunt păstrate; celulele de tabel apar ca text separat prin spații sau rânduri noi.
Ordinea de citire urmează ordinea stocată în PDF, care este de obicei ordinea vizuală. Aspectele pe mai multe coloane, notele de subsol și casetele de text pot apărea într-o succesiune neașteptată, iar cuvintele despărțite în silabe la capăt de linie rămân separate.
Documentele scanate și fotografiile salvate ca PDF conțin doar imagini cu text și nu au un strat de text, deci nu se poate extrage nimic. Instrumentul detectează acest lucru și vă îndrumă către OCR (recunoașterea optică a caracterelor), care citește textul din imagini. Textul din unele PDF-uri folosește fonturi fără o hartă de caractere corespunzătoare; un astfel de text poate apărea ca simboluri ilizibile.
PDF-urile care necesită o parolă pentru deschidere nu pot fi citite. PDF-urile care au doar restricții de copiere sunt citite; respectați drepturile proprietarului documentului.
Exemple
Citat dintr-un raport
Extrageți textul unui raport PDF de 40 de pagini, căutați în caseta de text și copiați paragraful de care aveți nevoie, fără să vă luptați cu selecția din vizualizatorul de PDF.
Scrisoare scanată
O scrisoare scanată în PDF nu produce text. Instrumentul vă spune acest lucru și vă trimite către instrumentul OCR, care poate recunoaște textul dintr-o imagine a paginii.
Întrebări frecvente
De ce nu se găsește niciun text în PDF-ul meu?
Cel mai probabil PDF-ul conține imagini scanate, nu text. Treceți paginile prin OCR pentru a recunoaște textul.
De ce apar cuvintele sau liniile într-o ordine greșită?
Instrumentul folosește ordinea în care textul este stocat în fișier. Unele programe stochează coloanele, anteturile sau casetele de text într-o altă ordine decât cea în care apar.
De ce conține textul simboluri ciudate?
Unele PDF-uri folosesc fonturi fără informații despre ce caracter reprezintă fiecare simbol. Literele vizibile nu pot fi asociate cu textul; OCR este singura opțiune pentru astfel de fișiere.
Se păstrează formatarea, cum ar fi textul aldin sau tabelele?
Nu. Rezultatul este text simplu cu sfârșituri de rând. Celulele și coloanele de tabel devin text pe linii.
Confidențialitate
PDF-ul este deschis și citit în browser cu pdf.js. Fișierul și textul extras nu sunt încărcate, stocate sau incluse în analize; se numără doar un eveniment anonim că instrumentul a fost folosit.