Penukar PDF ke Teks
Kupas PDF hingga tinggal perkataannya sahaja: tiada fon, tiada gambar, tiada susun atur, hanya fail .txt yang boleh Anda cari, tampal, bandingkan, masukkan ke dalam skrip atau alat terjemahan. Halaman imbasan dibaca dengan OCR terlebih dahulu.
Penukar PDF
atau seret Fail PDF ke sini ·
Maks 95 MB setiap fail· Sehingga 20 fail· Dipadam selepas 30 minit
Fail diproses pada pelayan kami dan dipadam selepas 30 minit.
PDF imbasan ialah gambar halaman. Auto menjalankan OCR hanya pada halaman tanpa lapisan teks; Sentiasa memaksanya pada setiap halaman.
Bahasa yang tercetak pada imbasan. Memilih bahasa yang betul meningkatkan ketepatan dengan ketara untuk aksara beraksen dan tulisan bukan Latin.
Teks mengalir disusun semula menjadi perenggan biasa yang mudah disunting. Susun atur tepat meletakkan setiap blok di tempat asalnya, yang kelihatan serupa tetapi lebih sukar disunting.
Tempat jadual yang dikesan diletakkan dalam buku kerja.
Nombor halaman atau julat dipisahkan koma, cth. 1-3, 5, 8-10.
Cara menggunakan alat ini
- 1
Letakkan fail PDF
Muat naik satu PDF atau sehingga 20 fail, setiap satu sehingga 95 MB. Fail campuran yang mengandungi halaman bertaip dan halaman imbasan diproses halaman demi halaman.
- 2
Hadkan skop jika perlu
Teks biasa sudah dipilih di bawah Tukar ke. Gunakan Halaman untuk ditukar dalam Tetapan lanjutan untuk mengekstrak bab atau lampiran yang anda perlukan sahaja.
- 3
Muat turun fail .txt
Tekan Tukar ke Teks biasa. Fail ini dikodkan dalam UTF-8, jadi huruf beraksen dan tulisan bukan Latin dipaparkan dengan betul dalam mana-mana editor moden.
Apakah cara paling bersih untuk mengeluarkan teks daripada PDF?
Tukarkannya kepada fail .txt biasa. Anda mendapat setiap perkataan mengikut susunan bacaan, dengan perenggan dipisahkan baris kosong dan tiada yang lain, sedia untuk mana-mana editor atau program.
Apa yang dikekalkan dan dibuang semasa ekstrak teks PDF
Penukar menyusuri setiap halaman mengikut susunan bacaan, dari atas ke bawah dan lajur demi lajur, lalu menulis aksara yang ditemui. Baris yang tergolong dalam satu perenggan disambung, dan perenggan dipisahkan dengan baris kosong. Teks setiap halaman menyambung teks halaman sebelumnya, jadi satu bab dibaca sebagai petikan yang berterusan.
Semua unsur visual dibuang: fon, saiz, warna, gambar, carta dan kedudukan teks pada halaman. Itulah tujuannya. Laporan 10 MB yang penuh foto lazimnya mengecil menjadi fail teks beberapa ratus kilobait, yang lebih mudah dicari, dibandingkan antara versi dengan alat diff, atau ditampal ke alat terjemahan atau analisis.
Pengguna baris perintah mungkin mengenali pdftotext daripada projek Poppler dan Xpdf, yang melakukan kerja serupa pada PDF digital. Bezanya di sini ialah OCR: halaman tanpa lapisan teks dikenali dalam bahasa yang anda pilih dan bukannya kosong. Untuk gambar yang bukan PDF, gunakan gambar ke teks.
Teks biasa, Markdown atau Word: pilih output yang sesuai
Teks biasa
Perkataan sahaja, UTF-8.
- Fail paling kecil
- Dibuka dalam apa-apa aplikasi
- Tiada tajuk atau pemformatan
Markdown
Teks dengan penanda ringan.
- Tajuk ditandakan dengan #
- Senarai dan teks tebal dikekalkan
- Masih fail teks
Dokumen Word
Reka letak penuh yang boleh disunting.
- Jadual dan gambar dikekalkan
- Gaya dikekalkan
- Memerlukan pemproses perkataan
Mengapa fail teks begitu kecil
1 baitbagi setiap huruf Inggeris, digit atau ruang dalam fail teks UTF-8
Portable Document Format
PDF dicipta oleh Adobe pada 1993 dan menjadi piawaian terbuka ISO 32000 pada 2008. Ia menetapkan teks, fon, imej dan reka letak supaya dokumen kelihatan sama pada setiap skrin dan pencetak. PDF boleh mengandungi borang, tandatangan, pautan, lampiran dan teks boleh dicari, dan varian PDF/A digunakan untuk pengarkiban jangka panjang. Reka letak tetap menyukarkan PDF disunting, dan PDF imbasan hanya mengandungi imej melainkan OCR digunakan. Setiap pelayar dan sistem pengendalian boleh membukanya.
- Pemampatan
- –
- Ketelusan
- Ya
- Animasi
- Tidak
- Diperkenalkan
- 1993 · Adobe
TXT
Teks biasa
Fail TXT hanya mengandungi aksara biasa tanpa pemformatan, fon, imej atau reka letak. Fail teks moden biasanya dikodkan dalam UTF-8 yang meliputi semua bahasa, walaupun fail lama mungkin menggunakan pengekodan lain dan memaparkan aksara bercelaru. Teks biasa sangat kecil, tidak pernah usang dan terbuka pada setiap peranti, daripada telefon hingga pelayan. Ia tidak boleh mengandungi teks tebal, jadual atau gambar, jadi struktur mesti dinyatakan dengan jarak atau penanda ringkas.
- Pemampatan
- –
- Ketelusan
- –
- Animasi
- –
- Diperkenalkan
- –
Orang mengeluarkan teks biasa daripada PDF apabila hanya perkataan yang diperlukan, untuk carian, petikan, terjemahan, pembersihan data atau disuap kepada program lain, dan reka letak hanya menyusahkan.
Soalan lazim PDF ke teks
Mengapakah saya tidak boleh salin dan tampal sahaja teks daripada PDF?
Boleh untuk satu dua perenggan, tetapi menyalin daripada pemapar PDF selalunya memutuskan perkataan di hujung baris, mengelirukan lajur, menyelitkan pengepala halaman di tengah ayat dan langsung tidak berfungsi pada halaman imbasan. Pengekstrakan membaca seluruh fail mengikut susunan bacaan dan menjalankan OCR apabila tiada lapisan teks.
Apakah pengekodan fail teks ini?
UTF-8, pengekodan lalai untuk web dan kebanyakan perisian. Notepad Windows menyimpan fail baharu sebagai UTF-8 secara lalai sejak Windows 10 versi 1903, dan TextEdit macOS, VS Code serta setiap pelayar membacanya tanpa bertanya. Jika program lama memaparkan aksara pelik, cari pilihan import yang membolehkan anda memilih UTF-8.
Adakah TXT sama dengan alat PDF ke TXT?
Hasilnya sama: fail .txt. Halaman ini menumpukan pada mengeluarkan teks untuk digunakan semula; PDF ke TXT ialah penukaran yang sama dengan nama sambungan fail yang turut dicari orang.
Apakah yang berlaku pada jadual?
Sel jadual ditulis mengikut susunan bacaan, dipisahkan dengan tab, jadi jadual boleh ditampal ke hamparan dengan agak baik. Jika jadual ialah sebab anda menukar, PDF ke Excel mengekalkan baris dan lajur dalam sel sebenar.
Bolehkah saya dapatkan teks dengan tajuk yang ditanda?
Teks biasa tidak mempunyai cara untuk menandakan tajuk. Pilih Markdown di bawah Tukar ke jika anda mahu tajuk, senarai dan teks tebal ditandakan dengan simbol ringkas sambil kekal sebagai fail teks.
Adakah ekstrak teks daripada imbasan berfungsi untuk tulisan tangan?
OCR dibina untuk teks bercetak. Huruf besar blok yang kemas selalunya dapat dibaca, tetapi tulisan sambung tangan tidak boleh diharap. Imbasan bertaip atau bercetak pada 300 dpi memberikan hasil terbaik.
| PDF ke Markdown | PDF ke Word | PDF ke EPUB |
| TXT ke PDF | Gambar ke teks | HTML ke TXT |
