PDF în text

Q: De ce sunt unele cuvinte lipite sau despărțite?

Unele PDF uri poziționează fiecare literă sau cuvânt separat, cu spațieri neobișnuite. Instrumentul deduce spațiile din golurile dintre bucățile de text; încearcă cealaltă Ordinea de citire dacă rândurile sunt amestecate.

Q: Cum obțin textul unei singure pagini?

Scrie numărul ei în Pagini opțional , de exemplu 4 , apoi apasă Extrage textul .

PDF în text

Extrage textul unui PDF în browser, pagină cu pagină, cu întreruperi de rând și separatoare de pagină. Copiază-l sau descarcă-l ca fișier .txt.

Trage un fișier PDF aici sau fă clic pentru a-l alege

Pagini (opțional)

Lasă gol pentru toate paginile sau scrie pagini și intervale precum 1-3, 5, 8-.

Ordinea de citire

Adaugă separatoare de pagină

Păstrează întreruperile de rând

Debifează pentru a uni rândurile fiecărui paragraf și a reface cuvintele despărțite cu cratimă la capăt de rând.

Cum extragi text dintr-un PDF

Trage un fișier PDF în zona de încărcare sau fă clic pe ea pentru a alege unul. Instrumentul afișează numele, numărul de pagini și dimensiunea.
Opțional, scrie Pagini (opțional) de citit, de exemplu 1-3, 5 sau 8-. Lasă câmpul gol pentru a extrage toate paginile.
Alege Ordinea de citire: Ca în fișier (cel mai bun pentru coloane) sau De sus în jos, de la stânga la dreapta.
Bifează sau debifează Adaugă separatoare de pagină și Păstrează întreruperile de rând.
Apasă Extrage textul. Documentele lungi arată progresul pagină cu pagină; Stop oprește mai devreme și păstrează paginile deja citite.
Verifică numărul de pagini, cuvinte, caractere și rânduri, apoi apasă Copiază sau Descarcă .txt.

Cele două casete pot fi schimbate și după extragere: textul se reformatează instantaneu, fără să se citească din nou fișierul.

Strat de text sau pagină scanată?

Un PDF creat de un procesor de text, de o foaie de calcul sau cu comanda „Salvează ca PDF” conține un strat de text: caracterele reale, cu fontul și poziția lor. Acest instrument citește stratul respectiv cu PDF.js, deci rezultatul este exact, cu diacritice, ligaturi și simboluri neschimbate.

Un PDF scanat este altceva: fiecare pagină este doar o fotografie a hârtiei și nu există text de citit. Când o pagină selectată nu are text, dar conține o imagine, instrumentul îți spune asta și indică paginile respective. OCR (recunoașterea optică a caracterelor) nu este inclus: textul paginilor scanate nu poate fi extras aici. Paginile fără text și fără imagini sunt raportate ca goale.

Ordinea de citire și așezarea în pagină

Un PDF stochează bucăți de text cu coordonate, nu paragrafe. Instrumentul reconstruiește rândurile din bucățile care au aceeași linie de bază, adaugă un spațiu acolo unde există un gol vizibil și lasă un rând gol acolo unde distanța verticală este mare, ceea ce separă de obicei paragrafele.

Ca în fișier (cel mai bun pentru coloane) urmează ordinea în care programul care a creat fișierul a scris textul. Pentru majoritatea documentelor, inclusiv articolele pe două coloane, aceasta este ordinea naturală de citire.
De sus în jos, de la stânga la dreapta sortează după poziția din pagină. Încearc-o când prima opțiune dă un text amestecat; reține că citește direct peste coloane.

Cu Adaugă separatoare de pagină, fiecare pagină începe cu un rând de tipul --- Pagina 3 ---, util pentru a cita sau a verifica un pasaj.

Unirea rândurilor în paragrafe

Cu Păstrează întreruperile de rând bifat, fiecare rând din PDF rămâne un rând de text. Debifează-l pentru a uni rândurile fiecărui paragraf într-unul singur, ceea ce e mai potrivit pentru lipirea într-un document sau într-un traducător. Un cuvânt tăiat cu cratimă la capăt de rând, precum „exem-” + „plu”, este refăcut atunci când rândul următor începe cu literă mică. Limita: un cuvânt compus care se rupe tocmai la propria cratimă („mama-” + „mare”) își pierde cratima, așa că verifică atent pasajele importante.

Confidențialitate

PDF-ul este citit de browser, pe dispozitivul tău. Nici fișierul, nici textul extras nu sunt trimise către un server.

Întrebări frecvente

De ce este gol textul extras?

Probabil paginile sunt imagini scanate, fără strat de text. Instrumentul îți spune care pagini par scanate. Nu face OCR, deci pentru acele pagini ai nevoie de un program de recunoaștere a textului.

Pot extrage text dintr-un PDF protejat cu parolă?

Nu cât timp este blocat. Fișierele care restricționează doar copierea sau tipărirea se deschid normal; fișierele care cer o parolă pentru deschidere trebuie mai întâi deblocate, cu parola.

De ce sunt unele cuvinte lipite sau despărțite?

Unele PDF-uri poziționează fiecare literă sau cuvânt separat, cu spațieri neobișnuite. Instrumentul deduce spațiile din golurile dintre bucățile de text; încearcă cealaltă Ordinea de citire dacă rândurile sunt amestecate.

Se păstrează formatarea?

Nu. Rezultatul este text simplu: aldinul, fonturile, culorile, tabelele și imaginile nu se păstrează, ci doar cuvintele, întreruperile de rând și paragrafele.

Cum obțin textul unei singure pagini?

Scrie numărul ei în Pagini (opțional), de exemplu 4, apoi apasă Extrage textul.