تبدیل PDF به متن
یک PDF را فقط به کلماتش برسانید: بدون فونت، بدون تصویر، بدون صفحه‌آرایی؛ فقط یک فایل .txt که میتوانید در آن جست‌وجو کنید، آن را جایی بچسبانید، با نسخهٔ دیگر مقایسه کنید، به یک اسکریپت بدهید یا در ابزار ترجمه بگذارید. صفحه‌های اسکنشده ابتدا با OCR خوانده میشوند.
مبدل PDF
یا فایلهای PDF را اینجا رها کنید ·
حداکثر 95 MB برای هر فایل· تا 20 فایل· حذف پس از 30 دقیقه
فایل‌ها روی سرورهای ما پردازش میشوند و پس از 30 دقیقه حذف میشوند.
PDFهای اسکنشده عکس صفحهها هستند. «خودکار» OCR را فقط روی صفحه‌های بدون لایه متن اجرا میکند؛ «همیشه» آن را برای همه صفحهها اجباری میکند.
زبان متن چاپشده در اسکن. انتخاب درست آن دقت را برای حروف دارای اعراب و الفباهای غیرلاتین بهطور محسوسی بهتر میکند.
«متن روان» متن را در پاراگرافهای معمولی و آسان برای ویرایش بازچینی میکند. «چیدمان دقیق» هر بلوک را همانجا که بود قرار می‌دهد که ظاهری یکسان دارد اما ویرایشش سختتر است.
جدولهای تشخیصدادهشده در کارپوشه کجا قرار بگیرند.
شماره صفحهها یا بازهها را با ویرگول جدا کنید، مثلاً 1-3, 5, 8-10.
نحوه استفاده از این ابزار
- 1
فایل PDF را بارگذاری کنید
یک فایل PDF یا حداکثر ۲۰ فایل را بارگذاری کنید؛ حجم هر فایل می‌تواند تا 95 MB باشد. فایل‌هایی که هم صفحات تایپ‌شده و هم صفحات اسکنشده دارند، صفحه‌به‌صفحه پردازش میشوند.
- 2
در صورت تمایل، صفحات را محدود کنید
متن ساده از قبل در بخش تبدیل به انتخاب شده است. برای استخراج فقط همان فصل یا پیوستی که لازم دارید، از صفحاتی که تبدیل شوند در تنظیمات پیشرفته استفاده کنید.
- 3
فایل .txt را دانلود کنید
روی تبدیل به متن ساده بزنید. فایل با کدگذاری UTF-8 ذخیره میشود، بنابراین حروف فارسی، نشانه‌های تلفظ و سایر خط‌های غیرلاتین در هر ویرایشگر امروزی درست نمایش داده میشوند.
تمیزترین راه برای بیرون کشیدن متن از PDF چیست؟
آن را به یک فایل متنی ساده با پسوند .txt تبدیل کنید. همهٔ کلمات به ترتیب خواندن و با پاراگراف‌هایی که با خط خالی جدا شده‌اند، بدون هیچ چیز دیگر، آمادهٔ استفاده در هر ویرایشگر یا برنامهای به دست می‌آید.
استخراج متن از PDF چه چیزهایی را نگه میدارد و چه چیزهایی را حذف میکند
مبدل هر صفحه را به ترتیب خواندن، از بالا به پایین و ستون‌به‌ستون، می‌پیماید و نویسه‌هایی را که پیدا میکند می‌نویسد. خط‌هایی که به یک پاراگراف تعلق دارند به هم وصل میشوند و پاراگراف‌ها با یک خط خالی جدا میشوند. متن هر صفحه پس از متن صفحهٔ قبل می‌آید، بنابراین یک فصل مثل یک متن پیوسته خوانده میشود.
هر چیز بصری حذف میشود: فونت‌ها، اندازه‌ها، رنگ‌ها، تصاویر، نمودارها و جایگاه متن در صفحه. هدف همین است. گزارشی 10 MB پر از عکس معمولاً به فایل متنی چند صد کیلوبایتی تبدیل میشود که جست‌وجو در آن، مقایسهٔ نسخه‌هایش با ابزار diff یا چسباندنش در ابزار ترجمه و تحلیل آسان‌تر است.
کاربران خط فرمان شاید pdftotext را از پروژه‌های Poppler و Xpdf بشناسند که روی PDFهای دیجیتال کار مشابهی میکند. تفاوت اینجا OCR است: صفحه‌هایی که لایهٔ متنی ندارند به زبانی که انتخاب می‌کنید شناسایی میشوند و خالی بیرون نمی‌آیند. برای تصاویری که اصلاً PDF نیستند از تبدیل عکس به متن استفاده کنید.
متن ساده، Markdown یا ورد: خروجی مناسب را انتخاب کنید
متن ساده
فقط کلمات، با UTF-8.
- کوچک‌ترین فایل
- باز شدن با هر برنامه
- بدون عنوان و قالب‌بندی
Markdown
متن با نشانه‌گذاری سبک.
- عنوانها با # علامتگذاری میشوند
- فهرستها و متن پررنگ حفظ میشوند
- همچنان فایل متنی
سند Word
چیدمان کامل و قابل ویرایش.
- جدولها و تصاویر حفظ میشوند
- سبک‌ها حفظ میشوند
- به واژه‌پرداز نیاز دارد
چرا فایل متنی این‌قدر کم‌حجم است
1 byteبرای هر حرف انگلیسی، رقم یا فاصله در فایل متنی UTF-8
فرمت سند قابل‌حمل
PDF را Adobe در سال ۱۹۹۳ ساخت و در سال ۲۰۰۸ به استاندارد باز ISO 32000 تبدیل شد. متن، فونت‌ها، تصاویر و چیدمان را ثابت نگه میدارد تا سند روی هر صفحه‌نمایش و چاپگر یکسان دیده شود. PDF می‌تواند شامل فرم، امضا، پیوند، پیوست و متن قابل جست‌وجو باشد و نوع PDF/A برای بایگانی بلندمدت به کار می‌رود. چیدمان ثابت ویرایش PDF را دشوار میکند و PDFهای اسکنشده تا وقتی OCR اعمال نشود فقط تصویر دارند. همه مرورگرها و سیستم‌عامل‌ها می‌توانند آن را باز کنند.
- فشرده‌سازی
- –
- شفافیت
- بله
- انیمیشن
- خیر
- سال معرفی
- 1993 · Adobe
TXT
متن ساده
فایل TXT فقط نویسههای ساده دارد، بدون قالب‌بندی، فونت، تصویر یا چیدمان. فایلهای متنی امروزی معمولاً با UTF-8 کدگذاری میشوند که همه زبان‌ها را پوشش می‌دهد، اما فایلهای قدیمی‌تر ممکن است کدگذاری دیگری داشته باشند و نویسههای نامفهوم نشان دهند. متن ساده بسیار کم‌حجم است، هرگز منسوخ نمی‌شود و روی هر دستگاهی از گوشی تا سرور باز میشود. نمی‌تواند متن پررنگ، جدول یا تصویر داشته باشد، پس ساختار باید با فاصله‌گذاری یا نشانه‌گذاری ساده بیان شود.
- فشرده‌سازی
- –
- شفافیت
- –
- انیمیشن
- –
- سال معرفی
- –
وقتی فقط خود کلمات لازم است، مثلاً برای جست‌وجو، نقل‌قول، ترجمه، پاک‌سازی داده یا دادن به برنامهای دیگر، متن ساده را از PDF بیرون می‌کشند و چیدمان فقط مزاحم است.
پرسش‌های متداول تبدیل PDF به متن
چرا نمیتوانم متن PDF را بهسادگی کپی و پیست کنم؟
برای یکی دو پاراگراف میتوانید، اما کپی از نمایشگر PDF اغلب کلمات را در انتهای خط میشکند، ستونها را درهم میریزد، سرصفحهها را وسط جملهها میآورد و روی صفحات اسکنشده اصلاً کار نمیکند. استخراج، کل فایل را به ترتیب خواندن میخواند و در جاهایی که لایهٔ متنی نیست، OCR اجرا میکند.
رمزگذاری نویسههای فایل متنی چیست؟
UTF-8؛ کدگذاری پیشفرض وب و بیشتر نرمافزارها. Windows Notepad از Windows 10 نسخهٔ 1903 فایلهای جدید را بهطور پیشفرض با UTF-8 ذخیره میکند و macOS TextEdit، VS Code و همهٔ مرورگرها آن را بدون پرسش میخوانند. اگر برنامهای قدیمی نویسههای عجیب نشان داد، دنبال گزینهٔ واردکردن بگردید که انتخاب UTF-8 را بدهد.
آیا TXT همان ابزار تبدیل PDF به TXT است؟
خروجی یکسان است: یک فایل .txt. این صفحه روی بیرون کشیدن متن برای استفادهٔ دوباره تمرکز دارد؛ PDF به TXT همین تبدیل است با نامی که از روی پسوند فایل هم جست‌وجو میشود.
جدولها چه میشوند؟
سلولهای جدول به ترتیب خواندن و با جداکنندهٔ تب نوشته میشوند، پس جدول بهخوبی در صفحهگسترده جایگذاری میشود. اگر دلیل تبدیل شما جدولهاست، PDF به اکسل سطرها و ستونها را در سلولهای واقعی نگه میدارد.
آیا میتوانم متن را با عنوانهای مشخصشده دریافت کنم؟
متن ساده راهی برای مشخص کردن عنوان ندارد. اگر میخواهید عنوانها، فهرستها و متن پررنگ با نمادهای ساده علامتگذاری شوند و فایل همچنان متنی بماند، در تبدیل به گزینهٔ Markdown را انتخاب کنید.
آیا استخراج متن از اسکن برای دست‌نوشته هم کار میکند؟
OCR برای متن چاپی ساخته شده است. حروف درشت و مرتب جداگانه اغلب خوانده میشوند، اما دست‌خط به‌هم‌پیوسته قابل اتکا نیست. اسکن‌های تایپ‌شده یا چاپی با 300 dpi بهترین نتیجه را می‌دهند.
| PDF به Markdown | PDF به ورد | PDF به EPUB |
| TXT به PDF | تبدیل عکس به متن | HTML به TXT |
