PDF szöveggé alakítása
Csak a PDF szavai maradnak meg: nincsenek betűtípusok, képek és elrendezés, csak egy .txt fájl, amelyben kereshet, amelyet beilleszthet, összevethet, szkriptnek adhat át vagy fordítóeszközbe tölthet. A szkennelt oldalakat előbb OCR olvassa be.
PDF konvertáló
vagy húzza ide a(z) PDF fájlok fájlokat ·
Legfeljebb 95 MB fájlonként· Legfeljebb 20 fájl· Törlés 30 perc után
A fájlokat szervereinken dolgozzuk fel, és 30 perc után töröljük.
A beolvasott PDF-ek oldalképek. Az Automatikus csak a szövegréteg nélküli oldalakon futtat OCR-t; a Mindig minden oldalra kikényszeríti.
A beolvasásban nyomtatott nyelv. A helyes választás érezhetően javítja a pontosságot ékezetes és nem latin írásrendszerű szövegnél.
A Folyó szöveg normál, könnyen szerkeszthető bekezdésekké tördelődik. A Pontos elrendezés minden blokkot a helyére tesz, ami azonosan néz ki, de nehezebben szerkeszthető.
Hová kerüljenek a felismert táblázatok a munkafüzetben.
Oldalszámok vagy tartományok vesszővel elválasztva, pl. 1-3, 5, 8-10.
Az eszköz használata
- 1
Húzza be a PDF-et
Tölts fel egyetlen PDF-et vagy akár 20 fájlt, egyenként legfeljebb 95 MB méretben. A gépelt és szkennelt oldalakat vegyesen tartalmazó fájlokat oldalanként dolgozzuk fel.
- 2
Szűkítse a kijelölést, ha szeretné
A Konvertálás erre mezőben alapból a sima szöveg van kiválasztva. A Speciális beállítások alatti Konvertálandó oldalak mezővel csak a kívánt fejezetet vagy függeléket nyerheted ki.
- 3
Töltse le a .txt fájlt
Nyomd meg a Konvertálás erre: Sima szöveg → gombot. A fájl UTF-8 kódolású, így az ékezetes betűk és a nem latin írásrendszerek is helyesen jelennek meg minden modern szerkesztőben.
Mi a legtisztább módja a szöveg kinyerésének egy PDF-ből?
Alakítsd sima .txt fájllá. Minden szót olvasási sorrendben kapsz, a bekezdéseket üres sor választja el, más semmi nincs benne, így bármelyik szerkesztőben vagy programban használható.
Mit tart meg és mit hagy el a PDF szövegkinyerés
Az átalakító olvasási sorrendben végigmegy minden oldalon, fentről lefelé és oszloponként, és kiírja a talált karaktereket. Az egy bekezdéshez tartozó sorokat összefűzi, a bekezdéseket üres sor választja el. Minden oldal szövege az előző oldaléé után következik, így egy fejezet egybefüggő szövegként olvasható.
Minden vizuális elem elvész: betűtípusok, méretek, színek, képek, diagramok és a szöveg oldalon belüli helye. Ez a lényeg. Egy fotókkal teli, 10 MB-os jelentés jellemzően néhány száz kilobájtos szövegfájllá zsugorodik, amelyben könnyebb keresni, diff-eszközzel összehasonlítani a verziókat, vagy fordító- és elemzőeszközbe másolni.
A parancssor kedvelői ismerhetik a Poppler és az Xpdf projektek pdftotext programját, amely digitális PDF-eken hasonlót tesz. A különbség itt az OCR: a szövegréteg nélküli oldalakat a kiválasztott nyelven ismeri fel, ahelyett hogy üresen maradnának. Ha a kép nem PDF, használd a kép szöveggé alakítását.
Egyszerű szöveg, Markdown vagy Word: válassza a megfelelő kimenetet
Sima szöveg
Csak a szavak, UTF-8.
- A legkisebb fájl
- Bármivel megnyitható
- Nincs címsor és formázás
Markdown
Szöveg könnyű jelölésekkel.
- A címsorokat # jelöli
- A listák és a félkövér megmarad
- Továbbra is szövegfájl
Word-dokumentum
Teljes, szerkeszthető elrendezés.
- A táblázatok és képek megmaradnak
- A stílusok megmaradnak
- Szövegszerkesztő kell hozzá
Miért ilyen kicsi a szövegfájl
1 bájtegy angol betű, számjegy vagy szóköz egy UTF-8 szövegfájlban
Portable Document Format
A PDF-et az Adobe hozta létre 1993-ban, és 2008-ban nyílt ISO 32000 szabvány lett. Rögzíti a szöveget, a betűtípusokat, a képeket és az elrendezést, így a dokumentum minden képernyőn és nyomtatón ugyanúgy néz ki. A PDF tartalmazhat űrlapokat, aláírásokat, hivatkozásokat, csatolmányokat és kereshető szöveget, a PDF/A változatot pedig hosszú távú archiválásra használják. A rögzített elrendezés miatt nehéz szerkeszteni, a beolvasott PDF-ek pedig csak képeket tartalmaznak, hacsak nem futtattak rajtuk OCR-t. Minden böngésző és operációs rendszer megnyitja.
- Tömörítés
- –
- Átlátszóság
- Igen
- Animáció
- Nem
- Bevezetés éve
- 1993 · Adobe
TXT
Egyszerű szöveg
A TXT fájl csak egyszerű karaktereket tartalmaz, formázás, betűtípus, kép és elrendezés nélkül. A modern szövegfájlok általában UTF-8 kódolásúak, amely minden nyelvet lefed, a régebbiek viszont más kódolást használhatnak, és ilyenkor értelmezhetetlen karakterek jelenhetnek meg. Az egyszerű szöveg parányi, soha nem avul el, és minden eszközön megnyílik a telefontól a szerverig. Nem tartalmazhat félkövér szöveget, táblázatot vagy képet, így a szerkezetet térközökkel vagy egyszerű jelöléssel kell kifejezni.
- Tömörítés
- –
- Átlátszóság
- –
- Animáció
- –
- Bevezetés éve
- –
A PDF-ből akkor szokás sima szöveget kinyerni, ha csak a szavakra van szükség kereséshez, idézéshez, fordításhoz, adattisztításhoz vagy másik program betáplálásához, az elrendezés pedig csak útban van.
GYIK: PDF szöveggé alakítása
Miért nem elég egyszerűen kimásolni és beilleszteni a szöveget a PDF-ből?
Egy-két bekezdésnél megteheted, de a PDF-megjelenítőből másolva gyakran elvágódnak a szavak a sorok végén, összekeverednek az oszlopok, az oldalfejlécek a mondatok közé kerülnek, a szkennelt oldalakon pedig semmi sem működik. A kinyerés az egész fájlt olvasási sorrendben olvassa végig, és ahol nincs szövegréteg, OCR-t futtat.
Milyen kódolású a szövegfájl?
UTF-8, amelyet a web és a legtöbb program alapértelmezettként használ. A Windows Jegyzettömb a Windows 10 1903-as verziója óta alapból UTF-8-ként menti az új fájlokat, a macOS TextEdit, a VS Code és minden böngésző pedig kérdés nélkül beolvassa. Ha egy régi program furcsa karaktereket mutat, keress az importálásnál olyan beállítást, ahol UTF-8-at választhatsz.
A TXT ugyanaz, mint a PDF TXT-be eszköz?
A kimenet ugyanaz: egy .txt fájl. Ez az oldal a szöveg újrafelhasználás céljából való kinyerésére fókuszál; a PDF TXT-be ugyanez az átalakítás, a fájlkiterjesztés nevén, amelyre szintén sokan keresnek.
Mi történik a táblázatokkal?
A táblázatcellák olvasási sorrendben, tabulátorral elválasztva kerülnek a fájlba, így a táblázat elég jól beilleszthető egy munkafüzetbe. Ha a táblázatok miatt konvertálsz, a PDF Excelbe a sorokat és oszlopokat valódi cellákban őrzi meg.
Megkaphatom a szöveget jelölt címsorokkal?
A sima szövegben nincs mód a címsorok jelölésére. Ha a címsorokat, listákat és félkövér szöveget egyszerű jelekkel szeretnéd jelölni, miközben szövegfájl marad, válaszd a Konvertálás erre mezőben a Markdownt.
Működik a szöveg kinyerése szkennelt kézírásból is?
Az OCR nyomtatott szövegre készült. A szabályos nagybetűs írást gyakran felismeri, a folyóírást viszont nem megbízhatóan. A legjobb eredményt a 300 dpi-s gépelt vagy nyomtatott szkennelések adják.
| PDF Markdownba | PDF Word-be | PDF EPUB-ba |
| TXT PDF-be | Kép szöveggé | HTML TXT-be |
