تبدیل PDF به TXT
متن یک PDF را بهصورت فایل .txt ذخیره کنید تا هر ویرایشگر، اسکریپت یا ابزار جست‌وجویی بتواند آن را باز کند. اینکه متن خروجی بی‌نقص باشد یا نه، فقط به یک چیز در PDF شما بستگی دارد: آیا لایهٔ متنی واقعی دارد یا فقط تصویر صفحات در آن است.
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
فایلهای PDF خود را اضافه کنید
یک فایل PDF یا حداکثر ۲۰ فایل را همزمان انتخاب کنید؛ حجم هر فایل می‌تواند تا 95 MB باشد. اسناد تایپ‌شده، خروجی‌گرفته‌شده از نرمافزار و اسکن‌شده را می‌توان در یک دسته کنار هم قرار داد.
- 2
تنظیمات اسکن را بررسی کنید
گزینهٔ تبدیل به از قبل روی متن ساده تنظیم شده است. اگر سند اسکنی به زبانی غیر از انگلیسی است، تنظیمات پیشرفته را باز کنید و زبان آن را در زبان سند انتخاب کنید.
- 3
تبدیل و ذخیره کنید
روی تبدیل به Plain text ← بزنید و هر فایل txt. را جداگانه دانلود کنید یا همهٔ آن‌ها را یکجا بهصورت ZIP بگیرید.
اگر در نمایشگر PDF می‌توانید یک کلمه را انتخاب کنید، متن از قبل داخل فایل است و نسخهٔ TXT دقیق خواهد بود؛ اگر کل صفحه مثل یک عکس هایلایت میشود، ابتدا باید OCR آن را بخواند.
تبدیل PDF به متن: لایهٔ متنی یا صفحهٔ اسکن‌شده
PDFی که از Word، Google Docs یا مرورگر خروجی گرفته شده، نویسه‌ها را همراه با موقعیتشان ذخیره میکند و برای بیرون کشیدن آن‌ها باید به ترتیبی معقول خوانده شوند. PDF اسکنر یا دوربین گوشی فقط تصویر هر صفحه را نگه می‌دارد و متن آن باید تشخیص داده شود. بسیاری از PDFهای اداری هر دو را دارند: نامه‌ای تایپ‌شده با صفحهٔ امضای اسکن‌شده در انتها.
تشخیص متن (OCR) تعیین میکند با هر صفحه چگونه رفتار شود. سه حالت زیر روی این نوع فایلها رفتار متفاوتی دارند و حالت خودکار برای بیشتر آن‌ها مناسب است.
صفحاتی که از قبل لایهٔ متنی دارند همانطور که هستند کپی میشوند؛ صفحات بدون آن با زبان سند انتخابی شما تشخیص داده میشوند.
- بهترین برای فایلهای ترکیبی
- بدون افت دقت در صفحات دیجیتال
هر صفحه از روی تصویرش تشخیص داده میشود، حتی اگر متن داشته باشد. وقتی لایهٔ متنی موجود خراب یا پر از نمادهای جایگزین است از آن استفاده کنید.
- رفع مشکل PDFهای دارای فونت نگاشتنشده
- کندتر در فایلهای طولانی
فقط لایهٔ متنی موجود خوانده میشود. صفحات اسکن‌شده خالی درمیآیند، که وقتی میخواهید بدانید کدام صفحات اسکن بودهاند مفید است.
- سریعترین
- فقط PDFهای دیجیتال
خروجی تبدیل PDF به متن با حروف به‌هم‌ریخته
درون PDF، متن فهرستی از کدهای گلیف برای یک فونت مشخص است، نه خود حروف. فایل استاندارد شامل نگاشت ToUnicode است که می‌گوید هر کد چه نویسه‌ای است. فایلهای برخی درایورهای چاپ قدیمی و گزارش‌سازهای سفارشی این نگاشت را ندارند و برای همین کپی از آن‌ها نتیجهٔ بی‌معنی می‌دهد، هرچند صفحه کاملاً درست دیده میشود. اجبار OCR راه مطمئن دور زدن این مشکل است و تبدیل PDF اسکن‌شده به متن تنظیمات اسکن را به‌تفصیل توضیح می‌دهد.
خود TXT با UTF-8 ذخیره میشود، بنابراین حروف دارای نشانه، سیریلیک، عربی، دیوناگری و نویسههای CJK حفظ میشوند. خط‌های راست‌به‌چپ به ترتیب خواندن ذخیره میشوند، همان چیزی که ویرایشگرها و موتورهای جست‌وجو انتظار دارند.
شکست سطر، خط‌تیرهٔ واژه‌شکن، ستون‌ها و سربرگ‌ها در TXT
شکست خط
PDF خط می‌شناسد، نه پاراگراف. خط‌ها در جایی که فاصله‌گذاری پاراگراف را نشان می‌دهد دوباره به هم وصل میشوند، اما شعر، نشانی و کد ممکن است به بررسی دستی نیاز داشته باشند.
خط تیره در پایان سطر
کلمه‌ای که در انتهای خط بهصورت «conver-» و «sion» شکسته شده معمولاً دوباره یکی میشود. خط تیرهٔ واقعی که در انتهای خط افتاده، مثل «well-known»، ممکن است حذف شود؛ اگر عبارت دقیق اهمیت دارد آن را جست‌وجو کنید.
ستون‌ها
مجلات دو‌ستونی ستون‌به‌ستون خوانده میشوند. صفحه‌آرایی شلوغ با کادر یا نقل‌قول برجسته ممکن است یک حاشیه را میان دو پاراگراف بیندازد.
سرصفحه و پاصفحه
عنوان‌های تکرارشونده، شمارهٔ صفحه و خط‌های محرمانگی در هر صفحه تکرار میشوند و در TXT میان صفحات قرار می‌گیرند. یک جایگزینی روی خط تکراری همهٔ آن‌ها را یکجا حذف میکند.
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
- –
فایل txt. ساده‌ترین قالب مشترک است: خط‌لوله‌های داده، نمایه‌های جست‌وجو، ابزارهای زیرنویس و ترجمه و ایمیل ساده همه آن را می‌پذیرند، در حالی که PDF پیش از خوانده شدن کلماتش به تحلیلگر نیاز دارد.
تبدیل رایگان PDF به متن: فایلها، حجم‌ها و زبان‌ها
- PDF در هر دسته
- 20
- برای هر PDF
- 95 MB
- زبان‌های OCR
- 34
- تا حذف فایلها
- 30 دقیقه
پرسش‌های رایج دربارهٔ تبدیل PDF به TXT
چطور PDF را بدون نصب هیچ برنامهای بهصورت رایگان به متن تبدیل کنم؟
فایل PDF را در همین صفحه بارگذاری کنید و روی تبدیل به Plain text ← بزنید. نیازی به حساب کاربری یا نصب نرمافزار نیست؛ تبدیل روی سرورهای ما انجام میشود و فایلها 30 دقیقه بعد حذف میشوند، همانطور که در نحوهٔ کار توضیح دادهایم.
چرا در فایل TXT من بهجای حروف، نمادهایی مثل (cid:42) یا مربع دیده میشود؟
PDF از فونتی استفاده میکند که جدولی برای نگاشت شکل حروف به نویسههای یونیکد ندارد؛ بنابراین شکلها درست چاپ میشوند اما معنای حرفی ندارند. تشخیص متن (OCR) را روی «همیشه» بگذارید: OCR شکلها را مثل یک تصویر میخواند و معمولاً کلمات واقعی را بازیابی میکند.
آیا میتوانم فقط برخی از صفحات PDF را به متن تبدیل کنم؟
بله. صفحاتی که تبدیل شوند را روی «صفحات انتخابی» بگذارید و بازهای مثل 3-7, 12 بنویسید. فقط همان صفحات خوانده میشوند و این کار فایلهای اسکنشدهٔ طولانی را هم سریعتر میکند.
چرا واژههای دارای fi و fl پس از تبدیل عجیب به نظر میرسند؟
بسیاری از فونتها ترکیبهایی مانند fi، fl و ffi را بهصورت یک شکل واحد به نام لیگاچر میکشند. بیشتر PDFها آن را به حروف جدا برمیگردانند، اما بعضی آن را به یک نویسهٔ یونیکد مانند U+FB01 نگاشت میکنند که روی صفحه درست دیده میشود ولی جستوجوی حروف ساده را از کار میاندازد. جایگزینی (Find and Replace) در ویرایشگر مشکل را حل میکند.
آیا فایل TXT شکست صفحات را حفظ میکند؟
صفحات پشتسرهم در یک فایل میآیند، بنابراین برای هر صفحه فایل جداگانهای ساخته نمیشود. اگر برای هر صفحه یک فایل متنی لازم دارید، صفحات را با گزینهٔ صفحاتی که تبدیل شوند در اجراهای جداگانه تبدیل کنید.
- تبدیل PDF به متنکلمات هر PDF را بهصورت فایل متنی تمیز UTF-8 استخراج کنید. اسکنها با OCR خوانده میشوند، انتخاب صفحات اختیاری است و فقط متن میماند.
- تبدیل PDF اسکن‌شده به متنمتن PDF اسکنشدهای را که قابل انتخاب یا جست‌وجو نیست استخراج کنید. OCR تصویر هر صفحه را میخواند و متن ساده می‌دهد؛ انتخاب بازهٔ صفحات اختیاری است.
- تبدیل PDF به Markdownتبدیل PDF به فایل Markdown (.md) با بازسازی عنوانها، فهرستها، لینکها و جدولهای pipe از متن. OCR برای اسکنها. مناسب Obsidian، Notion و LLM.
- تبدیل PDF به وردPDF را به ورد قابل ویرایش تبدیل کنید. متن به پاراگرافهای عادی برمیگردد، صفحات اسکنی با OCR در 34 زبان خوانده میشوند، تا 20 فایل با هم.
- OCR PDFافزودن لایهٔ متنی قابل جست‌وجو به PDF اسکن‌شده یا استخراج متن به Word یا TXT. 34 زبان، انتخاب صفحات، 20 فایل همزمان، رایگان.
- تبدیل EPUB به TXTمتن EPUB بدون DRM را در فایل .txt بگیرید؛ برای جست‌وجو، شمارش کلمات، خواندن صوتی یا تحلیل. پاراگرافها میمانند، کدها و تصاویر حذف میشوند.