PDF na text

Ako extrahovať text z PDF

1. Pretiahni súbor PDF do oblasti na pustenie, alebo na ňu klikni a súbor vyber. Nástroj zobrazí jeho názov, počet strán a veľkosť.
2. Ak chceš, do poľa Strany (voliteľné) zadaj strany na prečítanie, napríklad 1-3, 5 alebo 8-. Ak pole necháš prázdne, extrahujú sa všetky strany.
3. Vyber Poradie čítania: Tak, ako je uložené v súbore (najlepšie pre stĺpce) alebo Zhora nadol, zľava doprava.
4. Zaškrtni alebo zruš výber pri Pridať oddeľovače strán a Zachovať zalomenia riadkov.
5. Klikni na Extrahovať text. Dlhé dokumenty zobrazujú priebeh po stranách; Stop skončí skôr a prečítané strany ti ostanú.
6. Skontroluj počty strán, slov, znakov a riadkov a potom klikni na Kopírovať alebo Stiahnuť .txt.

Obe políčka môžeš zmeniť aj po extrakcii: text sa okamžite preformátuje bez opätovného čítania súboru.

Textová vrstva alebo skenovaná strana?

PDF vytvorené textovým editorom, tabuľkovým procesorom alebo príkazom „Uložiť ako PDF“ obsahuje textovú vrstvu: skutočné znaky s ich písmom a polohou. Tento nástroj túto vrstvu číta pomocou PDF.js, takže výsledok je presný, s diakritikou, ligatúrami a symbolmi bez zmeny. Slovenské znaky ako č, ľ, š, ž či ô sa preberú tak, ako sú v dokumente.

Skenované PDF je iné: každá strana je len fotografia papiera a nie je tam žiadny text na čítanie. Keď vybraná strana nemá text, ale obsahuje obrázok, nástroj to oznámi a uvedie dotknuté strany. OCR (optické rozpoznávanie znakov) nie je súčasťou nástroja: text zo skenovaných strán sa tu extrahovať nedá. Strany bez textu aj bez obrázkov sa hlásia ako prázdne.

Poradie čítania a rozloženie

PDF ukladá kúsky textu so súradnicami, nie odseky. Nástroj skladá riadky z kúskov, ktoré majú spoločnú základnú čiaru, pridá medzeru tam, kde je viditeľná medzera, a vynechá prázdny riadok tam, kde je zvislá medzera veľká, čo zvyčajne oddeľuje odseky.

• Tak, ako je uložené v súbore (najlepšie pre stĺpce) sleduje poradie, v akom softvér text zapísal. Pre väčšinu dokumentov vrátane dvojstĺpcových článkov je to prirodzené poradie čítania.
• Zhora nadol, zľava doprava zoraďuje podľa polohy na strane. Skús to, keď prvá možnosť dá premiešaný text; pozor, číta rovno cez stĺpce.

S voľbou Pridať oddeľovače strán sa každá strana začína riadkom ako --- Strana 3 ---, užitočným na citovanie alebo kontrolu pasáže.

Spájanie riadkov do odsekov

So zaškrtnutým Zachovať zalomenia riadkov ostáva každý riadok PDF riadkom textu. Zrušením výberu sa riadky každého odseku spoja do jedného, čo je lepšie na vloženie do dokumentu alebo prekladača. Slovo rozdelené spojovníkom na konci riadka, napríklad „prík-“ + „lad“, sa opäť zloží, ak nasledujúci riadok začína malým písmenom. Obmedzenie: zložené slovo, ktoré sa náhodou láme na vlastnom spojovníku („česko-“ + „slovenský“), tento spojovník stratí, preto dôležité pasáže skontroluj.

Súkromie

PDF číta tvoj prehliadač, na tvojom zariadení. Súbor ani extrahovaný text sa neposielajú na server.