Ambil Teks dari PDF
Pangkas PDF hingga tinggal kata-katanya: tanpa font, gambar, atau tata letak, hanya file .txt yang bisa Anda cari, tempel, bandingkan, masukkan ke skrip, atau pakai di alat penerjemahan. Halaman hasil scan dibaca dengan OCR terlebih dahulu.
Konverter PDF
atau jatuhkan file PDF di sini ·
Maks. 95 MB per file· Hingga 20 file· Dihapus setelah 30 menit
File diproses di server kami dan dihapus setelah 30 menit.
PDF hasil pindaian adalah gambar halaman. Otomatis menjalankan OCR hanya pada halaman tanpa lapisan teks; Selalu memaksakannya untuk setiap halaman.
Bahasa yang tercetak pada pindaian. Memilih bahasa yang tepat meningkatkan akurasi secara nyata untuk huruf beraksen dan aksara non-Latin.
Teks mengalir disusun ulang menjadi paragraf biasa yang mudah diedit. Tata letak persis menempatkan setiap blok di posisi semula, sehingga tampak identik tetapi lebih sulit diedit.
Tempat tabel yang terdeteksi diletakkan di dalam workbook.
Nomor atau rentang halaman yang dipisahkan koma, misalnya 1-3, 5, 8-10.
Cara menggunakan alat ini
- 1
Masukkan PDF
Unggah satu PDF atau hingga 20 file sekaligus, masing-masing hingga 95 MB. File campuran berisi halaman ketikan dan halaman pindaian diproses per halaman.
- 2
Persempit bila perlu
Teks biasa sudah terpilih di Konversi ke. Gunakan Halaman yang dikonversi di Pengaturan lanjutan untuk mengambil bab atau lampiran yang Anda perlukan saja.
- 3
Unduh file .txt
Tekan Konversi ke Teks biasa. File memakai encoding UTF-8, sehingga huruf beraksen dan aksara non-Latin tampil dengan benar di editor modern mana pun.
Apa cara paling bersih untuk mengambil teks dari PDF?
Ubah menjadi file .txt biasa. Anda mendapat setiap kata sesuai urutan baca, dengan paragraf dipisahkan baris kosong dan tanpa hal lain, siap dipakai di editor atau program apa pun.
Apa yang dipertahankan dan dibuang saat teks diambil dari PDF
Konverter menelusuri setiap halaman sesuai urutan baca, dari atas ke bawah dan kolom demi kolom, lalu menuliskan karakter yang ditemukannya. Baris-baris yang termasuk satu paragraf digabungkan, dan antarparagraf dipisahkan satu baris kosong. Teks setiap halaman menyambung teks halaman sebelumnya, sehingga satu bab terbaca sebagai satu bagian utuh.
Semua unsur visual dibuang: font, ukuran, warna, gambar, grafik, dan posisi teks di halaman. Justru itulah tujuannya. Laporan 10 MB yang penuh foto biasanya menyusut menjadi file teks beberapa ratus kilobyte, yang lebih mudah dicari, dibandingkan antarversi dengan alat diff, atau ditempel ke alat penerjemahan maupun analisis.
Pengguna command line mungkin mengenal pdftotext dari proyek Poppler dan Xpdf, yang melakukan pekerjaan serupa pada PDF digital. Bedanya di sini adalah OCR: halaman tanpa lapisan teks dikenali dalam bahasa yang Anda pilih, bukan keluar kosong. Untuk gambar yang sama sekali bukan PDF, gunakan ambil teks dari gambar.
Teks biasa, Markdown, atau Word: pilih hasil yang tepat
Teks biasa
Hanya kata-kata, UTF-8.
- File terkecil
- Bisa dibuka di program apa pun
- Tanpa judul atau format
Markdown
Teks dengan markup ringan.
- Judul ditandai dengan #
- Daftar dan huruf tebal dipertahankan
- Tetap berupa file teks
Dokumen Word
Tata letak lengkap yang bisa diedit.
- Tabel dan gambar dipertahankan
- Gaya tetap terjaga
- Butuh pengolah kata
Mengapa file teks hasil ekstraksi PDF begitu kecil
1 byteper huruf Latin tanpa aksen, angka, atau spasi dalam file teks UTF-8
Portable Document Format
PDF dibuat oleh Adobe pada 1993 dan menjadi standar terbuka ISO 32000 pada 2008. Format ini mengunci teks, font, gambar, dan tata letak sehingga dokumen terlihat sama di setiap layar dan printer. PDF dapat memuat formulir, tanda tangan, tautan, lampiran, dan teks yang dapat dicari, dan varian PDF/A digunakan untuk pengarsipan jangka panjang. Tata letak yang tetap membuat PDF sulit diedit, dan PDF hasil pindaian hanya berisi gambar kecuali OCR diterapkan. Setiap browser dan sistem operasi dapat membukanya.
- Kompresi
- –
- Transparansi
- Ya
- Animasi
- Tidak
- Diperkenalkan
- 1993 · Adobe
TXT
Teks biasa
File TXT hanya berisi karakter biasa tanpa format, font, gambar, atau tata letak. File teks modern biasanya dienkode dalam UTF-8, yang mencakup semua bahasa, meskipun file lama mungkin menggunakan encoding lain dan menampilkan karakter yang kacau. Teks biasa berukuran sangat kecil, tidak pernah usang, dan dapat dibuka di semua perangkat, dari ponsel hingga server. Format ini tidak dapat menyimpan teks tebal, tabel, atau gambar, sehingga struktur harus dinyatakan dengan spasi atau markup sederhana.
- Kompresi
- –
- Transparansi
- –
- Animasi
- –
- Diperkenalkan
- –
Orang mengambil teks biasa dari PDF ketika yang mereka perlukan hanya kata-katanya, untuk pencarian, kutipan, penerjemahan, pembersihan data, atau diolah program lain, sementara tata letaknya justru mengganggu.
Tanya jawab ambil teks dari PDF
Mengapa tidak cukup menyalin dan menempel teks langsung dari PDF?
Bisa untuk satu atau dua paragraf, tetapi menyalin dari penampil PDF sering memutus kata di akhir baris, mencampur kolom, menyisipkan header halaman di tengah kalimat, dan sama sekali tidak berfungsi pada halaman hasil scan. Ekstraksi membaca seluruh file sesuai urutan baca dan menjalankan OCR di bagian yang tidak punya lapisan teks.
Encoding apa yang dipakai file teks hasil ekstraksi PDF?
UTF-8, encoding bawaan web dan sebagian besar perangkat lunak. Notepad di Windows menyimpan file baru sebagai UTF-8 secara bawaan sejak Windows 10 versi 1903, dan TextEdit di macOS, VS Code, serta semua browser membacanya tanpa bertanya. Jika program lama menampilkan karakter aneh, cari opsi impor yang memungkinkan Anda memilih UTF-8.
Apakah halaman ini sama dengan alat PDF ke TXT?
Hasilnya identik: sebuah file .txt. Halaman ini berfokus pada pengambilan teks untuk dipakai ulang; ubah PDF ke TXT adalah konversi yang sama dengan nama ekstensi file yang juga banyak dicari.
Apa yang terjadi pada tabel saat teks diambil dari PDF?
Sel tabel ditulis sesuai urutan baca dan dipisahkan tab, sehingga tabel bisa ditempel ke spreadsheet dengan cukup rapi. Jika tabel adalah alasan Anda mengonversi, ubah PDF ke Excel menyimpan baris dan kolom di sel sungguhan.
Bisakah teks dari PDF diambil dengan judul yang ditandai?
Teks biasa tidak punya cara untuk menandai judul. Pilih Markdown di Konversi ke jika Anda ingin judul, daftar, dan huruf tebal ditandai dengan simbol sederhana sambil tetap berupa file teks.
Apakah ekstraksi teks dari PDF hasil scan berhasil untuk tulisan tangan?
OCR dibuat untuk teks cetak. Huruf kapital cetak yang rapi sering terbaca, tetapi tulisan tangan bersambung tidak bisa diandalkan. Hasil scan teks ketikan atau cetakan pada 300 dpi memberikan hasil terbaik.
| PDF ke Markdown | PDF ke Word | PDF ke EPUB |
| TXT ke PDF | Gambar ke teks | HTML ke TXT |
