PDF na tekst

Jak wyodrębnić tekst z pliku PDF

1. Upuść plik PDF na pole wyboru albo kliknij je, aby go wybrać. Narzędzie pokaże jego nazwę, liczbę stron i rozmiar.
2. Opcjonalnie wpisz w polu Strony (opcjonalnie), które strony odczytać, np. 1-3, 5 albo 8-. Puste pole oznacza wszystkie strony.
3. Wybierz Kolejność czytania: Jak zapisano w pliku (najlepsze dla kolumn) albo Z góry na dół, od lewej do prawej.
4. Zaznacz lub odznacz opcje Dodaj separatory stron i Zachowaj podziały wierszy.
5. Kliknij Wyodrębnij tekst. Przy długich dokumentach widać postęp strona po stronie; Stop kończy pracę wcześniej i zachowuje już odczytane strony.
6. Sprawdź liczbę stron, słów, znaków i wierszy, a potem kliknij Kopiuj albo Pobierz .txt.

Oba pola wyboru można zmienić po wyodrębnieniu: tekst jest od razu formatowany na nowo, bez ponownego czytania pliku.

Warstwa tekstowa czy skan?

PDF utworzony w edytorze tekstu, arkuszu kalkulacyjnym albo poleceniem „Zapisz jako PDF” zawiera warstwę tekstową: prawdziwe znaki z czcionką i położeniem. To narzędzie odczytuje tę warstwę za pomocą PDF.js, więc wynik jest dokładny – polskie znaki, ligatury i symbole pozostają nienaruszone.

Zeskanowany PDF to coś innego: każda strona jest tylko zdjęciem kartki i nie ma w niej tekstu do odczytania. Gdy wybrana strona nie zawiera tekstu, ale zawiera obraz, narzędzie to zgłasza i podaje numery tych stron. OCR (optyczne rozpoznawanie znaków) nie jest dostępny: tekstu ze stron zeskanowanych nie da się tutaj wyodrębnić. Strony bez tekstu i bez obrazów są zgłaszane jako puste.

Kolejność czytania i układ

PDF przechowuje fragmenty tekstu ze współrzędnymi, a nie akapity. Narzędzie odtwarza wiersze z fragmentów leżących na tej samej linii bazowej, wstawia spację tam, gdzie widać odstęp, i zostawia pusty wiersz przy dużym odstępie pionowym, który zwykle oddziela akapity.

• Jak zapisano w pliku (najlepsze dla kolumn) zachowuje kolejność, w jakiej program tworzący PDF zapisał tekst. W większości dokumentów, także w artykułach dwukolumnowych, to naturalna kolejność czytania.
• Z góry na dół, od lewej do prawej sortuje tekst według położenia na stronie. Wypróbuj tę opcję, gdy pierwsza daje pomieszany tekst; pamiętaj, że czyta ona w poprzek kolumn.

Przy opcji Dodaj separatory stron każda strona zaczyna się od wiersza w rodzaju --- Strona 3 ---, co ułatwia cytowanie i sprawdzanie fragmentów.

Łączenie wierszy w akapity

Gdy opcja Zachowaj podziały wierszy jest zaznaczona, każdy wiersz PDF pozostaje osobnym wierszem tekstu. Odznacz ją, aby połączyć wiersze każdego akapitu w jeden – to wygodniejsze przy wklejaniu do dokumentu albo tłumacza. Wyraz przeniesiony z dywizem na końcu wiersza, np. „prze-” + „glądarka”, zostaje scalony, jeśli następny wiersz zaczyna się małą literą. Ograniczenie: wyraz złożony, który akurat łamie się na własnym łączniku („biało-” + „czerwony”), traci ten łącznik, więc ważne fragmenty warto przejrzeć.

Prywatność

PDF jest odczytywany przez twoją przeglądarkę, na twoim urządzeniu. Ani plik, ani wyodrębniony tekst nie są wysyłane na serwer.