PDF na text

Jak extrahovat text z PDF

1. Přetáhni soubor PDF do vyznačené oblasti, nebo na ni klikni a soubor vyber. Nástroj zobrazí jeho název, počet stránek a velikost.
2. Volitelně zadej do pole Stránky (volitelné), které stránky se mají přečíst, například 1-3, 5 nebo 8-. Nech pole prázdné, aby se extrahovaly všechny stránky.
3. Zvol Pořadí čtení: Tak, jak je uloženo v souboru (nejlepší pro sloupce) nebo Shora dolů, zleva doprava.
4. Zaškrtni nebo zruš Přidat oddělovače stránek a Zachovat zalomení řádků.
5. Klikni na Extrahovat text. U dlouhých dokumentů se průběh zobrazuje po stránkách; tlačítko Stop čtení předčasně ukončí a už přečtené stránky zůstanou.
6. Zkontroluj počty stránek, slov, znaků a řádků a klikni na Kopírovat nebo Stáhnout .txt.

Obě zaškrtávací políčka lze změnit i po extrakci: text se přeformátuje okamžitě, bez nového čtení souboru.

Textová vrstva, nebo naskenovaná stránka?

PDF vytvořené textovým editorem, tabulkovým procesorem nebo příkazem „Uložit jako PDF“ obsahuje textovou vrstvu: skutečné znaky s jejich písmem a polohou. Nástroj tuto vrstvu čte pomocí PDF.js, takže výsledek je přesný, včetně diakritiky, ligatur a symbolů.

Naskenované PDF je jiné: každá stránka je jen fotografie papíru a není v ní žádný text ke čtení. Když vybraná stránka neobsahuje text, ale obsahuje obrázek, nástroj to oznámí a uvede dotčené stránky. OCR (optické rozpoznávání znaků) není součástí nástroje: text naskenovaných stránek se tu extrahovat nedá. Stránky bez textu i obrázků se hlásí jako prázdné.

Pořadí čtení a rozvržení

PDF ukládá kousky textu se souřadnicemi, nikoli odstavce. Nástroj skládá řádky z kousků, které sdílejí společnou účaří, přidá mezeru tam, kde je vidět mezera, a vloží prázdný řádek tam, kde je svislý odstup velký, což obvykle odděluje odstavce.

• Tak, jak je uloženo v souboru (nejlepší pro sloupce) sleduje pořadí, v jakém software text do souboru zapsal. U většiny dokumentů, včetně článků ve dvou sloupcích, je to přirozené pořadí čtení.
• Shora dolů, zleva doprava řadí podle polohy na stránce. Vyzkoušej to, když první možnost vrací pomíchaný text; pozor, čte se přímo přes sloupce.

S volbou Přidat oddělovače stránek začíná každá stránka řádkem jako --- Strana 3 ---, což se hodí pro citování nebo kontrolu pasáže.

Spojování řádků do odstavců

Při zaškrtnuté volbě Zachovat zalomení řádků zůstává každý řádek PDF řádkem textu. Zruš zaškrtnutí a řádky každého odstavce se spojí do jednoho, což je lepší pro vložení do dokumentu nebo do překladače. Slovo rozdělené na konci řádku pomlčkou, například „přík-“ + „lad“, se složí zpět, pokud další řádek začíná malým písmenem. Omezení: složené slovo, které se zrovna zalomí u vlastní pomlčky („česko-“ + „slovenský“), tuto pomlčku ztratí, takže důležité pasáže zkontroluj.

Soukromí

PDF čte tvůj prohlížeč na tvém zařízení. Soubor ani extrahovaný text se neodesílají na server.