Wyciągnij tekst z pliku PDF
Cytaty z raportu, klauzula umowy do maila, tabela, która ma trafić do arkusza: zaznaczanie tekstu w przeglądarce PDF często ciągnie za sobą dziwne łamania wierszy i numery stron. Ta strona czyta tekst zapisany w PDF, strona po stronie, i umieszcza go w polu, które możesz skopiować lub zapisać jako .txt. PDF jest czytany w przeglądarce i nigdy nie jest wysyłany.
Wyodrębnianie tekstu z PDF w pięciu krokach
- Upuść plik PDF na pole albo kliknij je, aby wybrać plik. Przy pierwszym użyciu wczytuje się czytnik stron, około pół megabajta.
- Wpisz potrzebne strony, na przykład
1-3, 7, albo zostaw pole puste, by przeczytać wszystkie. - Wybierz sposób traktowania wierszy: zostawić je tak, jak są w PDF, albo połączyć w akapity dla tekstu ciągłego. Włącz znaczniki stron, jeśli chcesz widzieć, gdzie zaczyna się każda strona.
- Naciśnij Wyodrębnij tekst. Wiersz postępu pokazuje czytaną stronę, a Anuluj zatrzymuje przebieg.
- Skopiuj tekst albo pobierz go jako .txt. Zmiana opcji wierszy lub znaczników od razu odświeża wynik, bez ponownego czytania PDF.
Skany i to, czego narzędzie nie przeczyta
Narzędzie czyta tekst zapisany w PDF. Zeskanowana strona to tylko obraz, więc nic nie daje, a wynik podaje, ile stron nie miało tekstu. Rozpoznawanie znaków (OCR) wymaga dużych modeli, które zepsułyby małe rozmiary tej witryny, więc najpierw przepuść skan przez program OCR. Pliki PDF z Worda, ze strony internetowej albo z eksportu aplikacji zwykle zawierają prawdziwy tekst.
Kolejność czytania, kolumny i tabele
PDF przechowuje ułożone we właściwych miejscach fragmenty tekstu, a nie akapity. Narzędzie łączy fragmenty z tej samej linii bazowej, dodaje spację tam, gdzie przerwa jest dość szeroka, i zamienia większy odstęp w pionie na pusty wiersz. Kolumny, tabele, nagłówki, stopki i przypisy mogą wyjść w innej kolejności, niż wyglądają na stronie. Łącznik na końcu wiersza zostaje tam, gdzie jest.
Rozmiar i prywatność
Plik PDF może mieć do 100 MB. Zaszyfrowany PDF prosi o hasło, używane tylko w pamięci. Czytnik stron to pdf.js, dostarczany z tej witryny, a żadne żądanie nie przenosi zawartości dokumentu.