Utilia
Kategorier ▾
Språk: sv ▾

PDF till text

Extrahera texten ur en pdf i webbläsaren, sida för sida, med radbrytningar och sidavgränsare. Kopiera den eller ladda ner som .txt-fil.

Lämna tomt för alla sidor, eller skriv sidor och intervall som 1-3, 5, 8-.

Avmarkera för att foga ihop raderna i varje stycke och återskapa ord som avbrutits med bindestreck i radslutet.

Så här extraherar du text ur en pdf

  1. Släpp en pdf-fil i släppzonen eller klicka på den för att välja en. Verktyget visar namn, antal sidor och storlek.
  2. Skriv vid behov vilka Sidor (valfritt) som ska läsas, till exempel 1-3, 5 eller 8-. Lämna fältet tomt för att extrahera alla sidor.
  3. Välj Läsordning: Som lagrad i filen (bäst för kolumner) eller Uppifrån och ned, från vänster till höger.
  4. Bocka i eller av Lägg till sidavgränsare och Behåll radbrytningar.
  5. Klicka på Extrahera text. Långa dokument visar förloppet sida för sida. Stoppa avslutar i förtid och behåller de sidor som redan lästs.
  6. Kontrollera antalet sidor, ord, tecken och rader och klicka sedan på Kopiera eller Ladda ner .txt.

De två kryssrutorna går att ändra efter extraheringen: texten formateras om direkt, utan att filen läses på nytt.

Textlager eller inskannad sida?

En pdf som skapats i ett ordbehandlingsprogram, ett kalkylprogram eller med kommandot ”Spara som pdf” innehåller ett textlager: de riktiga tecknen, med teckensnitt och position. Verktyget läser det lagret med PDF.js, så resultatet blir exakt, med accenter, ligaturer och symboler intakta.

En inskannad pdf är annorlunda: varje sida är bara ett foto av ett papper, och det finns ingen text att läsa. När en vald sida saknar text men innehåller en bild säger verktyget det och anger vilka sidor det gäller. OCR (optisk teckenigenkänning) ingår inte: texten på inskannade sidor går inte att extrahera här. Sidor som varken har text eller bilder rapporteras som tomma.

Läsordning och layout

En pdf lagrar textbitar med koordinater, inte stycken. Verktyget bygger upp rader av bitar som delar baslinje, lägger in ett mellanslag där det finns ett synligt gap och lämnar en tom rad där det lodräta avståndet är stort, vilket oftast skiljer stycken åt.

  • Som lagrad i filen (bäst för kolumner) följer den ordning som programmet som skapade filen skrev texten i. För de flesta dokument, även artiklar med två spalter, är det den naturliga läsordningen.
  • Uppifrån och ned, från vänster till höger sorterar efter position på sidan. Prova det om det första alternativet ger rörig text, men observera att det läser rakt över kolumnerna.

Med Lägg till sidavgränsare börjar varje sida med en rad som --- Sida 3 ---, praktiskt när du ska citera eller kontrollera ett avsnitt.

Foga ihop rader till stycken

Med Behåll radbrytningar ibockad förblir varje rad i pdf-filen en rad i texten. Avmarkera alternativet för att foga ihop raderna i varje stycke till en, vilket är bättre när du ska klistra in texten i ett dokument eller ett översättningsprogram. Ett ord som delats med bindestreck i radslutet, till exempel ”exem-” + ”pel”, sätts ihop igen när nästa rad börjar med en gemen. Begränsningen: ett sammansatt ord som råkar brytas vid sitt eget bindestreck (”brand-” + ”säker”) förlorar bindestrecket, så korrekturläs viktiga avsnitt.

Integritet

Pdf-filen läses av din webbläsare, på din enhet. Varken filen eller den extraherade texten skickas till någon server.

Vanliga frågor

Varför är den extraherade texten tom?

Sidorna är troligen inskannade bilder utan textlager. Verktyget talar om vilka sidor som ser inskannade ut. Det har ingen OCR, så för de sidorna behöver du ett program för textigenkänning.

Kan jag extrahera text ur en lösenordsskyddad pdf?

Inte så länge den är låst. Filer som bara begränsar kopiering eller utskrift öppnas som vanligt, men filer som kräver lösenord för att öppnas måste först låsas upp med lösenordet.

Varför sitter vissa ord ihop eller är delade?

Vissa pdf-filer placerar varje bokstav eller ord separat med ovanliga avstånd. Verktyget gissar mellanslag utifrån gapen mellan textbitarna. Prova den andra Läsordning om raderna blandas ihop.

Behålls formateringen?

Nej. Resultatet är ren text: fetstil, teckensnitt, färger, tabeller och bilder behålls inte, bara orden, radbrytningarna och styckena.

Hur får jag texten från en enda sida?

Skriv sidans nummer i Sidor (valfritt), till exempel 4, och klicka sedan på Extrahera text.

Relaterade verktyg