Pdf naar tekst

Zo haal je tekst uit een pdf

1. Sleep een pdf-bestand naar het uploadvak, of klik erop om er een te kiezen. De tool toont de naam, het aantal pagina’s en de grootte.
2. Typ eventueel bij Pagina’s (optioneel) welke pagina’s je wilt lezen, bijvoorbeeld 1-3, 5 of 8-. Laat het veld leeg om de tekst van alle pagina’s op te halen.
3. Kies de Leesvolgorde: Zoals opgeslagen in het bestand (beste voor kolommen) of Van boven naar beneden, van links naar rechts.
4. Vink Paginascheidingen toevoegen en Regeleinden behouden aan of uit.
5. Klik op Tekst ophalen. Bij lange documenten zie je de voortgang per pagina; met Stoppen houd je eerder op en blijven de al gelezen pagina’s staan.
6. Bekijk het aantal pagina’s, woorden, tekens en regels en klik dan op Kopiëren of .txt downloaden.

De twee vinkjes kun je ook na het ophalen nog wijzigen: de tekst wordt meteen opnieuw opgemaakt, zonder dat het bestand opnieuw wordt gelezen.

Tekstlaag of gescande pagina?

Een pdf die is gemaakt met een tekstverwerker, een spreadsheet of een opdracht als “Opslaan als pdf” bevat een tekstlaag: de echte tekens, met hun lettertype en positie. Deze tool leest die laag met PDF.js, dus het resultaat is exact, met accenten, ligaturen en symbolen intact.

Een gescande pdf is anders: elke pagina is alleen een foto van papier, en er is geen tekst om te lezen. Heeft een gekozen pagina geen tekst maar wel een afbeelding, dan meldt de tool dat en noemt de betreffende pagina’s. OCR (optische tekenherkenning) zit er niet in: de tekst van gescande pagina’s kan hier niet worden opgehaald. Pagina’s zonder tekst en zonder afbeeldingen worden als leeg gemeld.

Leesvolgorde en opmaak

Een pdf slaat stukjes tekst op met coördinaten, niet als alinea’s. De tool bouwt regels op uit stukjes op dezelfde basislijn, zet een spatie waar een zichtbare tussenruimte zit en laat een lege regel bij een grote verticale afstand, wat meestal alinea’s scheidt.

• Zoals opgeslagen in het bestand (beste voor kolommen) volgt de volgorde waarin de software die de pdf maakte de tekst heeft weggeschreven. Voor de meeste documenten, ook artikelen in twee kolommen, is dat de natuurlijke leesvolgorde.
• Van boven naar beneden, van links naar rechts sorteert op positie op de pagina. Probeer deze optie als de eerste een rommelige tekst oplevert; houd er wel rekening mee dat ze dwars over kolommen heen leest.

Met Paginascheidingen toevoegen begint elke pagina met een regel als --- Pagina 3 ---, handig om een passage te citeren of te controleren.

Regels samenvoegen tot alinea’s

Staat Regeleinden behouden aangevinkt, dan blijft elke regel van de pdf een regel tekst. Vink het uit om de regels van elke alinea samen te voegen, wat beter werkt als je de tekst in een document of een vertaalprogramma plakt. Een woord dat aan het eind van een regel is afgebroken, zoals “voor-” + “beeld”, wordt weer aan elkaar gezet als de volgende regel met een kleine letter begint. De keerzijde: een samenstelling die toevallig op haar eigen koppelteken afbreekt (“e-” + “mail”) verliest dat koppelteken. Lees belangrijke passages dus even na.

Privacy

De pdf wordt door je browser gelezen, op je eigen apparaat. Het bestand en de opgehaalde tekst worden niet naar een server verzonden.