Μετατροπή PDF σε κείμενο
Κρατήστε από ένα PDF μόνο τις λέξεις: χωρίς γραμματοσειρές, εικόνες ή διάταξη, μόνο ένα αρχείο .txt για αναζήτηση, επικόλληση, σύγκριση, επεξεργασία με script ή εισαγωγή σε εργαλείο μετάφρασης. Οι σαρωμένες σελίδες διαβάζονται πρώτα με OCR.
Μετατροπέας PDF
ή σύρετε Αρχεία PDF εδώ ·
Έως 95 MB ανά αρχείο· Έως 20 αρχεία· Διαγραφή μετά από 30 λεπτά
Τα αρχεία επεξεργάζονται στους διακομιστές μας και διαγράφονται μετά από 30 λεπτά.
Τα σαρωμένα PDF είναι εικόνες σελίδων. Το «Αυτόματα» εκτελεί OCR μόνο σε σελίδες χωρίς επίπεδο κειμένου· το «Πάντα» το επιβάλλει σε κάθε σελίδα.
Η γλώσσα που είναι τυπωμένη στη σάρωση. Η σωστή επιλογή βελτιώνει αισθητά την ακρίβεια για τόνους και μη λατινικά αλφάβητα.
Το ρέον κείμενο αναδιατάσσεται σε κανονικές παραγράφους που επεξεργάζονται εύκολα. Η ακριβής διάταξη τοποθετεί κάθε μπλοκ εκεί που ήταν, με ίδια εμφάνιση αλλά πιο δύσκολη επεξεργασία.
Πού πηγαίνουν οι πίνακες που εντοπίζονται στο βιβλίο εργασίας.
Αριθμοί σελίδων ή εύρη χωρισμένα με κόμματα, π.χ. 1-3, 5, 8-10.
Πώς να χρησιμοποιήσετε αυτό το εργαλείο
- 1
Ανεβάστε το PDF
Ανεβάστε ένα PDF ή έως 20 αρχεία, το καθένα έως 95 MB. Αρχεία που συνδυάζουν σελίδες με πληκτρολογημένο και σαρωμένο κείμενο επεξεργάζονται σελίδα προς σελίδα.
- 2
Περιορίστε τις σελίδες, αν θέλετε
Το απλό κείμενο είναι ήδη επιλεγμένο στο Μετατροπή σε. Χρησιμοποιήστε το Σελίδες για μετατροπή στις Σύνθετες ρυθμίσεις για να εξαγάγετε μόνο το κεφάλαιο ή το παράρτημα που χρειάζεστε.
- 3
Κατεβάστε το .txt
Πατήστε Μετατροπή σε Απλό κείμενο →. Το αρχείο έχει κωδικοποίηση UTF-8, επομένως οι τόνοι και οι μη λατινικές γραφές εμφανίζονται σωστά σε κάθε σύγχρονο πρόγραμμα επεξεργασίας.
Ποιος είναι ο καθαρότερος τρόπος για να εξαγάγετε κείμενο από ένα PDF;
Μετατρέψτε το σε απλό αρχείο .txt. Παίρνετε κάθε λέξη με τη σειρά ανάγνωσης, με τις παραγράφους χωρισμένες από κενές γραμμές και τίποτα άλλο, έτοιμο για οποιοδήποτε πρόγραμμα επεξεργασίας.
Τι κρατά και τι αφαιρεί η εξαγωγή κειμένου από PDF
Ο μετατροπέας διατρέχει κάθε σελίδα με τη σειρά ανάγνωσης, από πάνω προς τα κάτω και στήλη προς στήλη, και γράφει τους χαρακτήρες που βρίσκει. Οι γραμμές που ανήκουν στην ίδια παράγραφο ενώνονται και οι παράγραφοι χωρίζονται με κενή γραμμή. Το κείμενο κάθε σελίδας ακολουθεί αυτό της προηγούμενης, έτσι ένα κεφάλαιο διαβάζεται ως ενιαίο απόσπασμα.
Ό,τι είναι οπτικό απορρίπτεται: γραμματοσειρές, μεγέθη, χρώματα, εικόνες, γραφήματα και η θέση του κειμένου στη σελίδα. Αυτό είναι το ζητούμενο. Μια αναφορά 10 MB γεμάτη φωτογραφίες συνήθως μικραίνει σε αρχείο κειμένου λίγων εκατοντάδων kilobyte, που είναι πιο εύκολο να το αναζητήσετε, να συγκρίνετε εκδόσεις με εργαλείο diff ή να το επικολλήσετε σε εργαλείο μετάφρασης ή ανάλυσης.
Οι χρήστες της γραμμής εντολών ίσως γνωρίζουν το pdftotext από τα έργα Poppler και Xpdf, που κάνει παρόμοια δουλειά σε ψηφιακά PDF. Η διαφορά εδώ είναι το OCR: οι σελίδες χωρίς επίπεδο κειμένου αναγνωρίζονται στη γλώσσα που θα επιλέξετε αντί να βγαίνουν κενές. Για εικόνες που δεν είναι καθόλου PDF, χρησιμοποιήστε το εικόνα σε κείμενο.
Απλό κείμενο, Markdown ή Word: επιλέξτε τη σωστή έξοδο
Απλό κείμενο
Μόνο λέξεις, UTF-8.
- Μικρότερο αρχείο
- Ανοίγει παντού
- Χωρίς τίτλους ή μορφοποίηση
Markdown
Κείμενο με ελαφριά σήμανση.
- Τίτλοι με #
- Διατηρούνται λίστες και έντονα
- Παραμένει αρχείο κειμένου
Έγγραφο Word
Πλήρης επεξεργάσιμη διάταξη.
- Διατηρούνται πίνακες και εικόνες
- Διατηρούνται τα στυλ
- Χρειάζεται επεξεργαστή κειμένου
Γιατί το αρχείο κειμένου είναι τόσο μικρό
1 byteανά αγγλικό γράμμα, ψηφίο ή κενό σε αρχείο κειμένου UTF-8
Portable Document Format
Το PDF δημιουργήθηκε από την Adobe το 1993 και έγινε το ανοιχτό πρότυπο ISO 32000 το 2008. Καθηλώνει κείμενο, γραμματοσειρές, εικόνες και διάταξη, ώστε ένα έγγραφο να φαίνεται ίδιο σε κάθε οθόνη και εκτυπωτή. Τα PDF μπορούν να περιέχουν φόρμες, υπογραφές, συνδέσμους, συνημμένα και κείμενο με δυνατότητα αναζήτησης, ενώ η παραλλαγή PDF/A χρησιμοποιείται για μακροχρόνια αρχειοθέτηση. Η σταθερή διάταξη δυσκολεύει την επεξεργασία, και τα σαρωμένα PDF περιέχουν μόνο εικόνες αν δεν εφαρμοστεί OCR. Ανοίγουν σε κάθε πρόγραμμα περιήγησης και λειτουργικό σύστημα.
- Συμπίεση
- –
- Διαφάνεια
- Ναι
- Κινούμενη εικόνα
- Όχι
- Έτος εισαγωγής
- 1993 · Adobe
TXT
Απλό κείμενο
Ένα αρχείο TXT περιέχει μόνο απλούς χαρακτήρες, χωρίς μορφοποίηση, γραμματοσειρές, εικόνες ή διάταξη. Τα σύγχρονα αρχεία κειμένου κωδικοποιούνται συνήθως σε UTF-8, που καλύπτει κάθε γλώσσα, ενώ τα παλαιότερα μπορεί να χρησιμοποιούν άλλες κωδικοποιήσεις και να εμφανίζουν παραμορφωμένους χαρακτήρες. Το απλό κείμενο είναι πολύ μικρό, δεν ξεπερνιέται ποτέ και ανοίγει σε κάθε συσκευή, από κινητά έως διακομιστές. Δεν μπορεί να περιέχει έντονο κείμενο, πίνακες ή εικόνες, οπότε η δομή πρέπει να εκφράζεται με κενά ή απλή σήμανση.
- Συμπίεση
- –
- Διαφάνεια
- –
- Κινούμενη εικόνα
- –
- Έτος εισαγωγής
- –
Εξάγετε απλό κείμενο από ένα PDF όταν χρειάζεστε μόνο τις λέξεις, για αναζήτηση, παράθεση, μετάφραση, καθαρισμό δεδομένων ή τροφοδότηση άλλου προγράμματος, και η διάταξη απλώς εμποδίζει.
Συχνές ερωτήσεις για PDF σε κείμενο
Γιατί δεν μπορώ απλώς να αντιγράψω το κείμενο από το PDF;
Για μία-δύο παραγράφους μπορείτε, όμως η αντιγραφή από πρόγραμμα προβολής PDF συχνά κόβει λέξεις στο τέλος των γραμμών, μπερδεύει τις στήλες, βάζει κεφαλίδες σελίδων στη μέση των προτάσεων και δεν κάνει τίποτα στις σαρωμένες σελίδες. Η εξαγωγή διαβάζει ολόκληρο το αρχείο με τη σωστή σειρά ανάγνωσης και εφαρμόζει OCR όπου δεν υπάρχει επίπεδο κειμένου.
Ποια κωδικοποίηση έχει το αρχείο κειμένου;
UTF-8, η κωδικοποίηση που χρησιμοποιούν από προεπιλογή το διαδίκτυο και τα περισσότερα προγράμματα. Το Σημειωματάριο των Windows αποθηκεύει τα νέα αρχεία ως UTF-8 από προεπιλογή από τα Windows 10 έκδοση 1903, ενώ το TextEdit του macOS, το VS Code και όλα τα προγράμματα περιήγησης το διαβάζουν χωρίς ερώτηση. Αν ένα παλιό πρόγραμμα δείχνει περίεργους χαρακτήρες, αναζητήστε επιλογή εισαγωγής που σας επιτρέπει να διαλέξετε UTF-8.
Είναι το TXT το ίδιο με το εργαλείο PDF σε TXT;
Το αποτέλεσμα είναι ίδιο: ένα αρχείο .txt. Αυτή η σελίδα εστιάζει στην εξαγωγή κειμένου για επαναχρησιμοποίηση· το PDF σε TXT είναι η ίδια μετατροπή με το όνομα της επέκτασης, που αναζητούν επίσης πολλοί.
Τι γίνεται με τους πίνακες;
Τα κελιά των πινάκων γράφονται με τη σειρά ανάγνωσης, χωρισμένα με στηλοθέτες, οπότε ένας πίνακας επικολλάται αρκετά καλά σε υπολογιστικό φύλλο. Αν ο λόγος της μετατροπής είναι οι πίνακες, το PDF σε Excel διατηρεί γραμμές και στήλες σε πραγματικά κελιά.
Μπορώ να πάρω το κείμενο με σημειωμένες επικεφαλίδες;
Το απλό κείμενο δεν μπορεί να σημάνει έναν τίτλο. Επιλέξτε Markdown στο Μετατροπή σε αν θέλετε τίτλους, λίστες και έντονα γράμματα σημειωμένα με απλά σύμβολα, ενώ το αρχείο παραμένει κείμενο.
Λειτουργεί η εξαγωγή κειμένου από σάρωση και για χειρόγραφα;
Το OCR έχει σχεδιαστεί για τυπωμένο κείμενο. Τα προσεγμένα κεφαλαία γράμματα συχνά διαβάζονται, αλλά το συνεχές χειρόγραφο δεν είναι αξιόπιστο. Οι πληκτρολογημένες ή τυπωμένες σαρώσεις στα 300 dpi δίνουν τα καλύτερα αποτελέσματα.
| PDF σε Markdown | PDF σε Word | PDF σε EPUB |
| TXT σε PDF | Εικόνα σε κείμενο | HTML σε TXT |
