Μετατροπή PDF σε κείμενο

Πώς να εξαγάγετε κείμενο από ένα PDF

1. Αποθέστε ένα αρχείο PDF στην περιοχή απόθεσης ή κάντε κλικ σε αυτήν για να το επιλέξετε. Το εργαλείο εμφανίζει το όνομα, τον αριθμό σελίδων και το μέγεθός του.
2. Προαιρετικά, πληκτρολογήστε τις Σελίδες (προαιρετικό) που θέλετε να διαβαστούν, όπως 1-3, 5 ή 8-. Αφήστε το πεδίο κενό για να εξαχθούν όλες οι σελίδες.
3. Επιλέξτε τη Σειρά ανάγνωσης: Όπως είναι αποθηκευμένο στο αρχείο (ιδανικό για στήλες) ή Από πάνω προς τα κάτω, από αριστερά προς τα δεξιά.
4. Επιλέξτε ή καταργήστε την επιλογή των Προσθήκη διαχωριστικών σελίδων και Διατήρηση αλλαγών γραμμής.
5. Πατήστε Εξαγωγή κειμένου. Στα μεγάλα έγγραφα η πρόοδος εμφανίζεται σελίδα προς σελίδα· η Διακοπή σταματά νωρίτερα και κρατά τις σελίδες που έχουν ήδη διαβαστεί.
6. Ελέγξτε τα πλήθη σελίδων, λέξεων, χαρακτήρων και γραμμών και πατήστε Αντιγραφή ή Λήψη .txt.

Τα δύο πλαίσια επιλογής μπορούν να αλλάξουν και μετά την εξαγωγή: το κείμενο μορφοποιείται ξανά αμέσως, χωρίς να διαβαστεί πάλι το αρχείο.

Επίπεδο κειμένου ή σαρωμένη σελίδα;

Ένα PDF που δημιουργήθηκε από επεξεργαστή κειμένου, υπολογιστικό φύλλο ή εντολή «Αποθήκευση ως PDF» περιέχει ένα επίπεδο κειμένου: τους πραγματικούς χαρακτήρες, με τη γραμματοσειρά και τη θέση τους. Το εργαλείο διαβάζει αυτό το επίπεδο με το PDF.js, οπότε το αποτέλεσμα είναι ακριβές, με τόνους, συνδέσμους γραμμάτων και σύμβολα ανέγγιχτα. Αυτό ισχύει και για το ελληνικό κείμενο, αρκεί να είναι πραγματικό κείμενο μέσα στο PDF.

Ένα σαρωμένο PDF είναι διαφορετικό: κάθε σελίδα είναι απλώς μια φωτογραφία του χαρτιού και δεν υπάρχει κείμενο για ανάγνωση. Όταν μια επιλεγμένη σελίδα δεν έχει κείμενο αλλά περιέχει εικόνα, το εργαλείο το αναφέρει και ονομάζει τις σελίδες που αφορά. Το OCR (οπτική αναγνώριση χαρακτήρων) δεν περιλαμβάνεται: το κείμενο των σαρωμένων σελίδων δεν μπορεί να εξαχθεί εδώ. Οι σελίδες χωρίς κείμενο και χωρίς εικόνες αναφέρονται ως κενές.

Σειρά ανάγνωσης και διάταξη

Ένα PDF αποθηκεύει κομμάτια κειμένου με συντεταγμένες και όχι παραγράφους. Το εργαλείο ξαναχτίζει τις γραμμές από κομμάτια που έχουν κοινή γραμμή βάσης, προσθέτει κενό όπου υπάρχει ορατό διάστημα και αφήνει κενή γραμμή όπου το κάθετο διάστημα είναι μεγάλο, κάτι που συνήθως χωρίζει τις παραγράφους.

• Η επιλογή Όπως είναι αποθηκευμένο στο αρχείο (ιδανικό για στήλες) ακολουθεί τη σειρά με την οποία το πρόγραμμα δημιουργίας έγραψε το κείμενο. Για τα περισσότερα έγγραφα, και για άρθρα δύο στηλών, αυτή είναι η φυσική σειρά ανάγνωσης.
• Η επιλογή Από πάνω προς τα κάτω, από αριστερά προς τα δεξιά ταξινομεί με βάση τη θέση στη σελίδα. Δοκιμάστε την όταν η πρώτη επιλογή δίνει μπερδεμένο κείμενο· προσέξτε ότι διαβάζει κατευθείαν κατά μήκος των στηλών.

Με την επιλογή Προσθήκη διαχωριστικών σελίδων, κάθε σελίδα ξεκινά με μια γραμμή όπως --- Σελίδα 3 ---, χρήσιμη για παραπομπές ή για έλεγχο ενός αποσπάσματος.

Ένωση γραμμών σε παραγράφους

Με επιλεγμένη τη Διατήρηση αλλαγών γραμμής, κάθε γραμμή του PDF παραμένει γραμμή κειμένου. Καταργήστε την επιλογή για να ενωθούν οι γραμμές κάθε παραγράφου σε μία, κάτι καλύτερο για επικόλληση σε έγγραφο ή σε μεταφραστή. Μια λέξη που κόβεται με παύλα στο τέλος της γραμμής, όπως «παρά-» + «δειγμα», συνενώνεται ξανά όταν η επόμενη γραμμή αρχίζει με πεζό γράμμα. Το όριο: μια σύνθετη λέξη που τυχαίνει να σπάει στη δική της παύλα («well-» + «known») χάνει αυτή την παύλα, γι’ αυτό διορθώστε προσεκτικά τα σημαντικά αποσπάσματα.

Απόρρητο

Το PDF διαβάζεται από το πρόγραμμα περιήγησής σας, στη συσκευή σας. Ούτε το αρχείο ούτε το κείμενο που εξάγεται στέλνονται σε διακομιστή.