Utilia
Kategóriák ▾
Nyelv: hu ▾

PDF szöveg kinyerése

Nyerd ki a PDF szövegét a böngésződben, oldalanként, sortörésekkel és oldalelválasztókkal. Másold ki, vagy töltsd le .txt fájlként.

Hagyd üresen, ha minden oldalt fel szeretnél dolgozni, vagy írj be oldalakat és tartományokat, például 1-3, 5, 8-.

Töröld a pipát, ha az egyes bekezdések sorait össze szeretnéd fűzni, és a sor végén elválasztott szavakat újra egybe szeretnéd írni.

Hogyan nyerd ki a szöveget egy PDF-ből

  1. Húzd a PDF-fájlt a megjelölt területre, vagy kattints rá a kiválasztásához. Az eszköz megmutatja a fájl nevét, oldalszámát és méretét.
  2. Ha csak bizonyos oldalakat szeretnél beolvasni, írd be őket az Oldalak (nem kötelező) mezőbe, például 1-3, 5 vagy 8-. Ha üresen hagyod a mezőt, minden oldal szövege kinyerésre kerül.
  3. Válaszd ki az Olvasási sorrendet: A fájlban tárolt sorrendben (oszlopokhoz a legjobb) vagy Fentről lefelé, balról jobbra.
  4. Pipáld be vagy töröld az Oldalelválasztók hozzáadása és a Sortörések megtartása jelölőnégyzetet.
  5. Kattints a Szöveg kinyerése gombra. A hosszú dokumentumoknál az eszköz oldalanként mutatja a haladást; a Leállítás idő előtt befejezi a folyamatot, és megtartja a már beolvasott oldalakat.
  6. Ellenőrizd az oldalak, szavak, karakterek és sorok számát, majd kattints a Másolás vagy a .txt letöltése gombra.

A két jelölőnégyzet a kinyerés után is módosítható: a szöveg azonnal átformázódik, a fájl újbóli beolvasása nélkül.

Szövegréteg vagy beolvasott oldal?

A szövegszerkesztővel, táblázatkezelővel vagy a „Mentés PDF-ként” paranccsal készített PDF szövegréteget tartalmaz: a valódi karaktereket, betűtípusukkal és helyzetükkel együtt. Az eszköz ezt a réteget a PDF.js segítségével olvassa, ezért az eredmény pontos, az ékezetek, ligatúrák és szimbólumok épen maradnak.

A beolvasott (szkennelt) PDF más: minden oldal csupán egy papírról készült fénykép, és nincs olvasható szöveg. Ha egy kijelölt oldalon nincs szöveg, de van rajta kép, az eszköz jelzi ezt, és megnevezi az érintett oldalakat. Az OCR (optikai karakterfelismerés) nem része az eszköznek: a beolvasott oldalak szövege itt nem nyerhető ki. A szöveget és képet sem tartalmazó oldalakat üresként jelzi.

Olvasási sorrend és elrendezés

A PDF a szövegdarabokat koordinátákkal tárolja, nem bekezdésekként. Az eszköz a közös alapvonalon álló darabokból sorokat épít, szóközt tesz oda, ahol látható rés van, és üres sort hagy ott, ahol a függőleges távolság nagy, ami általában a bekezdéseket választja el.

  • A fájlban tárolt sorrendben (oszlopokhoz a legjobb) azt a sorrendet követi, amelyben a létrehozó program a szöveget írta. A legtöbb dokumentumnál, a kétoszlopos cikkeket is beleértve, ez a természetes olvasási sorrend.
  • Fentről lefelé, balról jobbra az oldalon elfoglalt hely szerint rendez. Próbáld ki, ha az első lehetőség összekevert szöveget ad; vedd figyelembe, hogy ez az oszlopokon át, egyenesen olvas.

Az Oldalelválasztók hozzáadása esetén minden oldal egy --- 3. oldal --- jellegű sorral kezdődik, ami hasznos egy szövegrész idézéséhez vagy ellenőrzéséhez.

Sorok egyesítése bekezdésekké

A Sortörések megtartása bejelölve minden PDF-sor külön sor marad. Töröld a pipát, ha az egyes bekezdések sorait eggyé szeretnéd fűzni, ami jobb, ha a szöveget dokumentumba vagy fordítóba illeszted. A sor végén kötőjellel elválasztott szó, például „pél-” + „da”, újra egybeírásra kerül, ha a következő sor kisbetűvel kezdődik. A korlát: az az összetett szó, amely éppen a saját kötőjelénél törik („kék-” + „zöld”), elveszíti ezt a kötőjelet, ezért a fontos részeket olvasd át.

Adatvédelem

A PDF-fájlt a böngésződ olvassa be, az eszközödön. Sem a fájl, sem a kinyert szöveg nem kerül elküldésre szerverre.

Gyakori kérdések

Miért üres a kinyert szöveg?

Az oldalak valószínűleg szövegréteg nélküli, beolvasott képek. Az eszköz megmondja, mely oldalak tűnnek beolvasottnak. OCR-t nem végez, ezért ezekhez az oldalakhoz szövegfelismerő programra van szükséged.

Kinyerhetem a szöveget jelszóval védett PDF-ből?

Amíg zárolva van, nem. Azok a fájlok, amelyek csak a másolást vagy a nyomtatást korlátozzák, rendesen megnyílnak; a megnyitáshoz jelszót kérő fájlokat előbb fel kell oldani a jelszóval.

Miért tapadnak össze vagy szakadnak szét egyes szavak?

Egyes PDF-ek minden betűt vagy szót külön, szokatlan térközzel helyeznek el. Az eszköz a szövegdarabok közötti résekből találgatja a szóközöket; ha a sorok összekeverednek, próbáld ki a másik Olvasási sorrendet.

Megmarad a formázás?

Nem. Az eredmény egyszerű szöveg: a félkövér szedés, a betűtípusok, a színek, a táblázatok és a képek nem maradnak meg, csak a szavak, a sortörések és a bekezdések.

Hogyan kapom meg egyetlen oldal szövegét?

Írd be a számát az Oldalak (nem kötelező) mezőbe, például 4, majd kattints a Szöveg kinyerése gombra.

Kapcsolódó eszközök