Převod PDF na text
Zredukujte PDF jen na slova: žádná písma, obrázky ani rozvržení, jen soubor .txt, ve kterém můžete vyhledávat, který vložíte jinam, porovnáte, předáte skriptu nebo nahrajete do překladatelského nástroje. Naskenované stránky se nejprve přečtou pomocí OCR.
Převodník PDF
nebo sem přetáhněte soubory PDF ·
Max. 95 MB na soubor· Až 20 souborů· Smazáno po 30 minutách
Soubory se zpracovávají na našich serverech a po 30 minutách se smažou.
Skenovaná PDF jsou obrázky stránek. Automaticky spustí OCR jen na stránkách bez textové vrstvy; Vždy ho vynutí na každé stránce.
Jazyk textu ve skenu. Správná volba výrazně zlepší přesnost u diakritiky a nelatinských písem.
Plynulý text se zalomí do běžných odstavců, které se snadno upravují. Přesné rozvržení umístí každý blok tam, kde byl, což vypadá stejně, ale hůře se upravuje.
Kam v sešitu přijdou rozpoznané tabulky.
Čísla stránek nebo rozsahy oddělené čárkami, např. 1-3, 5, 8-10.
Jak nástroj používat
- 1
Vložte PDF
Nahrajte jedno PDF nebo až 20 souborů, každý do 95 MB. Smíšené soubory se psanými i naskenovanými stránkami se zpracovávají stránku po stránce.
- 2
Případně výběr zužte
Prostý text je v poli Převést na už vybraný. Pomocí volby Stránky k převodu v části Pokročilá nastavení získáte jen potřebnou kapitolu nebo přílohu.
- 3
Stáhněte soubor .txt
Klikněte na Převést na Prostý text →. Soubor je v kódování UTF-8, takže se diakritika i jiná než latinská písma zobrazí správně v každém moderním editoru.
Jak nejčistěji dostat text z PDF?
Převeďte ho na prostý soubor .txt. Dostanete každé slovo ve správném pořadí, odstavce oddělené prázdnými řádky a nic dalšího, připravené pro jakýkoli editor nebo program.
Co extrakce textu z PDF zachová a co vynechá
Převodník prochází každou stránku v pořadí čtení, shora dolů a sloupec po sloupci, a zapisuje znaky, které najde. Řádky patřící do jednoho odstavce spojí a odstavce odděluje prázdným řádkem. Text každé stránky navazuje na text předchozí, takže se kapitola čte jako jeden souvislý celek.
Vše vizuální se zahodí: písma, velikosti, barvy, obrázky, grafy i umístění textu na stránce. To je právě smysl. Zpráva o 10 MB plná fotek se obvykle zmenší na textový soubor o několika stech kilobajtech, který se snáze prohledává, porovnává mezi verzemi nástrojem diff nebo vkládá do nástroje pro překlad či analýzu.
Uživatelé příkazové řádky možná znají pdftotext z projektů Poppler a Xpdf, který u digitálních PDF dělá podobnou práci. Rozdíl je tu v OCR: stránky bez textové vrstvy se rozpoznají ve zvoleném jazyce, místo aby zůstaly prázdné. Pro obrázky, které vůbec nejsou PDF, použijte obrázek na text.
Prostý text, Markdown, nebo Word: zvolte správný výstup
Prostý text
Pouze slova, UTF-8.
- Nejmenší soubor
- Otevře se v čemkoli
- Bez nadpisů a formátování
Markdown
Text s lehkým značkováním.
- Nadpisy označené znakem #
- Seznamy a tučné písmo zůstanou
- Stále textový soubor
Dokument Word
Plné upravitelné rozvržení.
- Tabulky a obrázky zůstanou
- Styly zachovány
- Vyžaduje textový procesor
Proč je textový soubor tak malý
1 bajtna jedno anglické písmeno, číslici nebo mezeru v textovém souboru UTF-8
Portable Document Format
PDF vytvořil Adobe v roce 1993 a v roce 2008 se stal otevřenou normou ISO 32000. Zafixuje text, písma, obrázky a rozvržení, takže dokument vypadá stejně na každé obrazovce i tiskárně. PDF může obsahovat formuláře, podpisy, odkazy, přílohy a prohledávatelný text a varianta PDF/A se používá pro dlouhodobou archivaci. Pevné rozvržení ztěžuje úpravy a skenovaná PDF obsahují jen obrázky, pokud se nepoužije OCR. Otevře je každý prohlížeč i operační systém.
- Komprese
- –
- Průhlednost
- Ano
- Animace
- Ne
- Představeno
- 1993 · Adobe
TXT
Prostý text
Soubor TXT obsahuje pouze prosté znaky bez formátování, písem, obrázků či rozvržení. Moderní textové soubory bývají kódované v UTF-8, které pokrývá všechny jazyky, starší soubory ale mohou používat jiná kódování a zobrazit nesmyslné znaky. Prostý text je drobný, nikdy nezastará a otevře se na každém zařízení od telefonů po servery. Neobsahuje tučné písmo, tabulky ani obrázky, takže strukturu je nutné vyjádřit mezerami nebo jednoduchým značkováním.
- Komprese
- –
- Průhlednost
- –
- Animace
- –
- Představeno
- –
Prostý text lidé z PDF získávají, když potřebují jen slova, třeba pro vyhledávání, citování, překlad, čištění dat nebo zpracování jiným programem, a rozvržení jen překáží.
Časté dotazy k převodu PDF na text
Proč nemohu text z PDF jednoduše zkopírovat a vložit?
Na odstavec nebo dva to jde, ale kopírování z prohlížeče PDF často rozdělí slova na koncích řádků, promíchá sloupce, vloží záhlaví stránek doprostřed vět a u naskenovaných stránek nefunguje vůbec. Extrakce přečte celý soubor ve správném pořadí a tam, kde chybí textová vrstva, spustí OCR.
V jakém kódování je textový soubor?
UTF-8, tedy kódování, které je výchozí na webu i ve většině softwaru. Poznámkový blok ve Windows ukládá nové soubory ve výchozím nastavení jako UTF-8 od Windows 10 verze 1903 a macOS TextEdit, VS Code i všechny prohlížeče ho otevřou bez dotazu. Pokud starý program zobrazuje podivné znaky, hledejte v něm možnost importu s volbou UTF-8.
Je TXT totéž co nástroj PDF do TXT?
Výstup je totožný: soubor .txt. Tato stránka se zaměřuje na získání textu k dalšímu použití; PDF do TXT je stejný převod pod názvem přípony, který lidé také vyhledávají.
Co se stane s tabulkami?
Buňky tabulky se zapisují v pořadí čtení a oddělují se tabulátory, takže se tabulka docela dobře vloží do tabulkového procesoru. Pokud převádíte kvůli tabulkám, PDF do Excelu zachová řádky a sloupce ve skutečných buňkách.
Mohu získat text s označenými nadpisy?
Prostý text nemá jak označit nadpis. Pokud chcete nadpisy, seznamy a tučný text označené jednoduchými symboly a přitom zůstat u textového souboru, zvolte v poli Převést na Markdown.
Funguje extrakce textu ze skenu i u rukopisu?
OCR je určeno pro tištěný text. Úhledná hůlkovaná písmena se často přečtou, ale psané písmo spolehlivě nefunguje. Nejlepších výsledků dosáhnete u psaných nebo tištěných skenů s rozlišením 300 dpi.
| PDF do Markdownu | PDF do Wordu | PDF do EPUB |
| TXT do PDF | Obrázek na text | HTML do TXT |
