Så här använder du det
- Välj eller släpp en PDF-fil.
- Avgör om varje sida ska inledas med en rubrik som ”--- Sida 3 ---”.
- Välj Extrahera text och vänta på att alla sidor ska läsas.
- Kopiera texten eller ladda ner den som en UTF-8 .txt-fil.
Så fungerar det
PDF-filer som har skapats från ett ordbehandlingsprogram, en webbplats eller de flesta andra program innehåller ett textlager: tecknen och deras positioner. Verktyget läser det lagret sida för sida med pdf.js och omvandlar det till rader med ren text. Typsnitt, storlekar, färger, bilder och tabeller behålls inte; tabellceller kommer ut som text åtskilda av mellanslag eller radbrytningar.
Läsordningen följer den ordning som finns lagrad i PDF:en, vilket oftast är den visuella ordningen. Flerspaltiga layouter, fotnoter och textrutor kan komma i en oväntad följd, och avstavade ord vid radslut förblir uppdelade.
Skannade dokument och foton som sparats som PDF innehåller bara bilder av text och har inget textlager, så ingenting kan extraheras. Verktyget upptäcker detta och hänvisar dig till OCR (optisk teckenigenkänning), som läser text från bilder. Text i vissa PDF-filer använder typsnitt utan en korrekt teckenmappning; sådan text kan komma ut som oläsbara symboler.
PDF-filer som kräver ett lösenord för att öppnas kan inte läsas. PDF-filer med endast kopieringsbegränsningar läses, så respektera dokumentägarens rättigheter.
Exempel
Citera en rapport
Extrahera texten ur en 40-sidig PDF-rapport, sök i textrutan och kopiera det stycke du behöver utan att kämpa med PDF-visarens markeringsfunktion.
Skannat brev
Ett brev som skannats till PDF ger ingen text. Verktyget meddelar detta och länkar till OCR-verktyget, som kan känna igen texten från en bild av sidan.
Vanliga frågor
Varför hittas ingen text i min PDF?
PDF:en innehåller troligen skannade bilder i stället för text. Kör sidorna genom OCR för att känna igen texten.
Varför är ord eller rader i fel ordning?
Verktyget använder den ordning som texten är lagrad i filen. Vissa program lagrar kolumner, rubriker eller textrutor i en annan ordning än hur de visas.
Varför innehåller texten konstiga symboler?
Vissa PDF-filer använder typsnitt utan information om vilket tecken varje glyf representerar. De synliga bokstäverna kan inte mappas tillbaka till text; OCR är det enda alternativet för sådana filer.
Behålls formatering som fetstil eller tabeller?
Nej. Resultatet är ren text med radbrytningar. Tabellceller och kolumner blir text på rader.
Integritet
PDF:en öppnas och läses i din webbläsare med pdf.js. Filen och den extraherade texten laddas inte upp, lagras inte och ingår inte i webbanalysen; endast en anonym händelse om att verktyget har använts räknas.