PDF को टेक्स्ट में बदलें
PDF से सिर्फ़ उसके शब्द निकालें: न फ़ॉन्ट, न इमेज, न लेआउट, बस एक .txt फ़ाइल जिसमें आप खोज सकें, जिसे पेस्ट कर सकें, diff कर सकें, किसी स्क्रिप्ट को दे सकें या ट्रांसलेशन टूल में डाल सकें। स्कैन किए गए पेज पहले OCR से पढ़े जाते हैं।
PDF कन्वर्टर
या PDF फ़ाइलें यहाँ ड्रop करें ·
प्रति फ़ाइल अधिकतम 95 MB· अधिकतम 20 फ़ाइलें· 30 मिनट बाद हटा दी जाती हैं
फ़ाइलें हमारे सर्वर पर प्रोसेस होती हैं और 30 मिनट बाद हटा दी जाती हैं।
स्कैन की गई PDF पेजों की तस्वीरें होती हैं। ऑटो केवल बिना टेक्स्ट लेयर वाले पेजों पर OCR चलाता है; हमेशा इसे हर पेज पर चलाता है।
स्कैन में छपी भाषा। सही भाषा चुनने से मात्राओं और गैर-लैटिन लिपियों की सटीकता काफ़ी बेहतर होती है।
बहता टेक्स्ट सामान्य अनुच्छेदों में ढल जाता है, जिन्हें एडिट करना आसान है। सटीक लेआउट हर ब्लॉक को वहीं रखता है जहाँ वह था; यह बिल्कुल वैसा दिखता है, पर एडिट करना कठिन है।
पहचानी गई टेबल वर्कबुक में कहाँ जाएँ।
पेज नंबर या रेंज, कॉमा से अलग करके, जैसे 1-3, 5, 8-10।
इस टूल का उपयोग कैसे करें
- 1
PDF डालें
एक PDF अपलोड करें या एक साथ 20 तक, हर फ़ाइल 95 MB तक की। जिस फ़ाइल में टाइप किए हुए और स्कैन किए हुए, दोनों तरह के पेज हों, उसे हर पेज के हिसाब से अलग-अलग प्रोसेस किया जाता है।
- 2
चाहें तो दायरा सीमित करें
इसमें बदलें के तहत प्लेन टेक्स्ट पहले से चुना हुआ है। सिर्फ़ ज़रूरी चैप्टर या परिशिष्ट निकालना हो तो एडवांस्ड सेटिंग में बदलने वाले पेज का इस्तेमाल करें।
- 3
.txt डाउनलोड करें
प्लेन टेक्स्ट में कन्वर्ट करें दबाएँ। फ़ाइल UTF-8 एन्कोडिंग में बनती है, इसलिए एक्सेंट वाले अक्षर और गैर-लैटिन लिपियाँ किसी भी आधुनिक एडिटर में सही दिखती हैं।
PDF से टेक्स्ट निकालने का सबसे साफ़ तरीका क्या है?
उसे सादी .txt फ़ाइल में बदलें। आपको हर शब्द पढ़ने के क्रम में मिलता है, पैराग्राफ़ खाली लाइन से अलग होते हैं और कुछ और नहीं, जो किसी भी एडिटर या प्रोग्राम के लिए तैयार है।
PDF से टेक्स्ट निकालने पर क्या रहता है और क्या हटता है
कन्वर्टर हर पेज को पढ़ने के क्रम में, ऊपर से नीचे और कॉलम दर कॉलम देखता है और जो अक्षर मिलते हैं उन्हें लिखता है। एक पैराग्राफ़ की लाइनें जोड़ दी जाती हैं और पैराग्राफ़ एक खाली लाइन से अलग होते हैं। हर पेज का टेक्स्ट पिछले पेज के बाद आता है, इसलिए पूरा चैप्टर एक लगातार अंश की तरह पढ़ा जाता है।
सारा विज़ुअल हिस्सा हटा दिया जाता है: फ़ॉन्ट, साइज़, रंग, इमेज, चार्ट और पेज पर टेक्स्ट की जगह। यही इसका मकसद है। फोटो से भरी 10 MB की रिपोर्ट आमतौर पर कुछ सौ किलोबाइट की टेक्स्ट फ़ाइल बन जाती है, जिसमें खोजना, diff टूल से वर्शन की तुलना करना या अनुवाद और विश्लेषण टूल में पेस्ट करना आसान होता है।
कमांड-लाइन इस्तेमाल करने वाले Poppler और Xpdf प्रोजेक्ट के pdftotext को जानते होंगे, जो डिजिटल PDF पर ऐसा ही काम करता है। यहाँ फ़र्क OCR का है: जिन पेजों में टेक्स्ट लेयर नहीं है, वे खाली निकलने के बजाय आपकी चुनी भाषा में पहचाने जाते हैं। जो तस्वीरें PDF नहीं हैं, उनके लिए इमेज से टेक्स्ट इस्तेमाल करें।
प्लेन टेक्स्ट, Markdown या Word: सही आउटपुट चुनें
प्लेन टेक्स्ट
सिर्फ़ शब्द, UTF-8।
- सबसे छोटी फ़ाइल
- हर जगह खुलती है
- हेडिंग या फ़ॉर्मैटिंग नहीं
Markdown
हल्की मार्कअप वाला टेक्स्ट।
- हेडिंग # से चिह्नित
- लिस्ट और बोल्ड बने रहते हैं
- फिर भी टेक्स्ट फ़ाइल
Word डॉक्यूमेंट
पूरा एडिट होने वाला लेआउट।
- टेबल और इमेज बनी रहती हैं
- स्टाइल सुरक्षित
- वर्ड प्रोसेसर चाहिए
टेक्स्ट फ़ाइल इतनी छोटी क्यों होती है
1 बाइटUTF-8 टेक्स्ट फ़ाइल में हर अंग्रेज़ी अक्षर, अंक या स्पेस के लिए
Portable Document Format
PDF को Adobe ने 1993 में बनाया और 2008 में यह ओपन ISO 32000 मानक बना। यह टेक्स्ट, फ़ॉन्ट, इमेज और लेआउट को स्थिर रखता है, ताकि दस्तावेज़ हर स्क्रीन और प्रिंटर पर एक जैसा दिखे। PDF में फ़ॉर्म, सिग्नेचर, लिंक, अटैचमेंट और सर्च होने लायक टेक्स्ट हो सकता है, और PDF/A वेरिएंट लंबे समय के आर्काइव के लिए इस्तेमाल होता है। स्थिर लेआउट के कारण PDF एडिट करना कठिन है, और स्कैन किए PDF में OCR लगाए बिना सिर्फ़ इमेज होती हैं। हर ब्राउज़र और ऑपरेटिंग सिस्टम इन्हें खोल सकता है।
- कंप्रेशन
- –
- ट्रांसपेरेंसी (पारदर्शिता)
- हाँ
- एनिमेशन
- नहीं
- शुरुआत का वर्ष
- 1993 · Adobe
TXT
सादा टेक्स्ट
TXT फ़ाइल में सिर्फ़ सादे अक्षर होते हैं, कोई फ़ॉर्मैटिंग, फ़ॉन्ट, इमेज या लेआउट नहीं। आधुनिक टेक्स्ट फ़ाइलें आमतौर पर UTF-8 में एन्कोड होती हैं, जो हर भाषा को कवर करता है, जबकि पुरानी फ़ाइलें दूसरी एन्कोडिंग में हो सकती हैं और गड़बड़ अक्षर दिखा सकती हैं। सादा टेक्स्ट बहुत छोटा होता है, कभी पुराना नहीं पड़ता और फ़ोन से लेकर सर्वर तक हर डिवाइस पर खुलता है। इसमें बोल्ड टेक्स्ट, टेबल या तस्वीरें नहीं रखी जा सकतीं, इसलिए संरचना को स्पेसिंग या सरल मार्कअप से दिखाना पड़ता है।
- कंप्रेशन
- –
- ट्रांसपेरेंसी (पारदर्शिता)
- –
- एनिमेशन
- –
- शुरुआत का वर्ष
- –
लोग PDF से प्लेन टेक्स्ट तब निकालते हैं जब उन्हें सिर्फ़ शब्द चाहिए होते हैं, जैसे खोजने, उद्धरण देने, अनुवाद, डेटा की सफ़ाई या किसी दूसरे प्रोग्राम को देने के लिए, और लेआउट बस रुकावट बनता है।
PDF से टेक्स्ट: अक्सर पूछे जाने वाले सवाल
मैं PDF से टेक्स्ट सीधे कॉपी-पेस्ट क्यों नहीं कर सकता?
एक-दो पैराग्राफ़ के लिए कर सकते हैं, लेकिन PDF व्यूअर से कॉपी करने पर अक्सर लाइन के अंत में शब्द टूट जाते हैं, कॉलम आपस में मिल जाते हैं, वाक्यों के बीच पेज हेडर आ जाते हैं और स्कैन किए पेज पर कुछ भी कॉपी नहीं होता। एक्सट्रैक्शन पूरी फ़ाइल को पढ़ने के क्रम में पढ़ता है और जहाँ टेक्स्ट लेयर नहीं है वहाँ OCR चलाता है।
टेक्स्ट फ़ाइल का एन्कोडिंग क्या है?
UTF-8, यानी वह एन्कोडिंग जो वेब और ज़्यादातर सॉफ़्टवेयर डिफ़ॉल्ट रूप से इस्तेमाल करते हैं। Windows Notepad Windows 10 वर्शन 1903 से नई फ़ाइलें डिफ़ॉल्ट रूप से UTF-8 में सेव करता है, और macOS TextEdit, VS Code और हर ब्राउज़र इसे बिना पूछे पढ़ लेते हैं। अगर कोई पुराना प्रोग्राम अजीब अक्षर दिखाए, तो इंपोर्ट का ऐसा विकल्प ढूँढें जिसमें UTF-8 चुना जा सके।
क्या TXT और PDF से TXT टूल एक ही हैं?
आउटपुट एक जैसा है: एक .txt फ़ाइल। यह पेज टेक्स्ट निकालकर दोबारा इस्तेमाल करने पर केंद्रित है; PDF to TXT वही कन्वर्ज़न है, बस फ़ाइल-एक्सटेंशन वाले उस नाम से जिसे लोग भी खोजते हैं।
टेबल का क्या होता है?
टेबल के सेल पढ़ने के क्रम में, टैब से अलग करके लिखे जाते हैं, इसलिए टेबल स्प्रेडशीट में काफ़ी ठीक से पेस्ट हो जाती है। अगर आप टेबल की वजह से कन्वर्ट कर रहे हैं, तो PDF to Excel पंक्तियों और कॉलम को असली सेल में रखता है।
क्या हेडिंग चिह्नित करके टेक्स्ट मिल सकता है?
प्लेन टेक्स्ट में हेडिंग को चिह्नित करने का कोई तरीका नहीं होता। अगर आप चाहते हैं कि हेडिंग, लिस्ट और बोल्ड टेक्स्ट सरल चिह्नों से मार्क हों और फ़ाइल टेक्स्ट ही रहे, तो इसमें बदलें में Markdown चुनें।
क्या स्कैन से टेक्स्ट निकालना हाथ की लिखावट पर काम करता है?
OCR छपे हुए टेक्स्ट के लिए बना है। साफ़ बड़े अक्षर अक्सर पढ़ लिए जाते हैं, लेकिन हाथ की जुड़ी हुई लिखावट भरोसेमंद नहीं है। 300 dpi पर टाइप किए या छपे स्कैन से सबसे अच्छे नतीजे मिलते हैं।
| PDF से Markdown | PDF से Word | PDF से EPUB |
| TXT से PDF | इमेज से टेक्स्ट | HTML से TXT |
