PDF naar tekst converteren
Breng een PDF terug tot alleen de woorden: geen lettertypen, geen afbeeldingen, geen opmaak, alleen een .txt-bestand dat u kunt doorzoeken, plakken, vergelijken, aan een script kunt voeren of in een vertaaltool kunt zetten. Gescande pagina's worden eerst met OCR gelezen.
PDF-converter
of sleep PDF-bestanden hierheen ·
Max. 95 MB per bestand· Tot 20 bestanden· Verwijderd na 30 minuten
Bestanden worden op onze servers verwerkt en na 30 minuten verwijderd.
Gescande PDF's zijn afbeeldingen van pagina's. Automatisch voert OCR alleen uit op pagina's zonder tekstlaag; Altijd dwingt dit af voor elke pagina.
De taal waarin de scan is gedrukt. De juiste taal kiezen verbetert merkbaar de nauwkeurigheid bij accenten en niet-Latijnse schriften.
Doorlopende tekst wordt herschikt in gewone alinea's die makkelijk te bewerken zijn. Exacte opmaak plaatst elk blok waar het stond, wat er identiek uitziet maar moeilijker te bewerken is.
Waar herkende tabellen in de werkmap terechtkomen.
Paginanummers of bereiken, gescheiden door komma's, bijvoorbeeld 1-3, 5, 8-10.
Zo gebruikt u deze tool
- 1
Zet de PDF erin
Upload één PDF of een set van maximaal 20 bestanden, elk tot 95 MB. Gemengde bestanden met getypte en gescande pagina's worden pagina voor pagina verwerkt.
- 2
Beperk de selectie als u wilt
Platte tekst is al geselecteerd onder Converteren naar. Gebruik Te converteren pagina's in Geavanceerde instellingen om alleen het hoofdstuk of de bijlage te halen die u nodig hebt.
- 3
Download het .txt-bestand
Klik op Converteren naar Platte tekst. Het bestand is UTF-8-gecodeerd, dus accenten en niet-Latijnse schriften worden in elke moderne editor correct weergegeven.
Wat is de schoonste manier om tekst uit een PDF te halen?
Zet de PDF om naar een gewoon .txt-bestand. U krijgt elk woord in leesvolgorde, met alinea's gescheiden door lege regels en verder niets, klaar voor elke editor of elk programma.
Wat tekstextractie uit een PDF behoudt en weglaat
De converter doorloopt elke pagina in leesvolgorde, van boven naar beneden en kolom voor kolom, en schrijft de tekens die hij vindt. Regels die bij één alinea horen worden samengevoegd en alinea's worden gescheiden door een lege regel. De tekst van elke pagina sluit aan op die van de vorige, zodat een hoofdstuk als één doorlopend stuk leest.
Alles wat visueel is, verdwijnt: lettertypen, groottes, kleuren, afbeeldingen, grafieken en de positie van tekst op de pagina. Dat is de bedoeling. Een rapport van 10 MB vol foto's wordt doorgaans een tekstbestand van enkele honderden kilobytes, dat makkelijker te doorzoeken is, met een diff-tool tussen versies te vergelijken is of in een vertaal- of analysetool te plakken is.
Gebruikers van de opdrachtregel kennen misschien pdftotext uit de projecten Poppler en Xpdf, dat vergelijkbaar werk doet op digitale PDF's. Het verschil hier is OCR: pagina's zonder tekstlaag worden herkend in de taal die u kiest in plaats van leeg te blijven. Voor afbeeldingen die helemaal geen PDF zijn, gebruikt u afbeelding naar tekst.
Platte tekst, Markdown of Word: kies de juiste uitvoer
Platte tekst
Alleen woorden, UTF-8.
- Kleinste bestand
- Opent overal
- Geen koppen of opmaak
Markdown
Tekst met lichte opmaakcodes.
- Koppen gemarkeerd met #
- Lijsten en vet behouden
- Nog steeds een tekstbestand
Word-document
Volledige bewerkbare opmaak.
- Tabellen en afbeeldingen behouden
- Stijlen behouden
- Vereist een tekstverwerker
Waarom het tekstbestand zo klein is
1 byteper Engelse letter, cijfer of spatie in een UTF-8-tekstbestand
Portable Document Format
PDF is in 1993 door Adobe ontwikkeld en werd in 2008 de open ISO 32000-standaard. Het legt tekst, lettertypen, afbeeldingen en opmaak vast, zodat een document op elk scherm en elke printer er hetzelfde uitziet. PDF's kunnen formulieren, handtekeningen, links, bijlagen en doorzoekbare tekst bevatten, en de variant PDF/A wordt gebruikt voor langetermijnarchivering. Door de vaste opmaak zijn PDF's lastig te bewerken, en gescande PDF's bevatten alleen afbeeldingen, tenzij OCR is toegepast. Elke browser en elk besturingssysteem kan ze openen.
- Compressie
- –
- Transparantie
- Ja
- Animatie
- Nee
- Geïntroduceerd
- 1993 · Adobe
TXT
Platte tekst
Een TXT-bestand bevat alleen gewone tekens, zonder opmaak, lettertypen, afbeeldingen of lay-out. Moderne tekstbestanden zijn meestal gecodeerd in UTF-8, dat alle talen dekt, al kunnen oudere bestanden een andere codering gebruiken en onleesbare tekens tonen. Platte tekst is piepklein, veroudert nooit en opent op elk apparaat, van telefoon tot server. Het kan geen vetgedrukte tekst, tabellen of afbeeldingen bevatten, dus structuur moet worden uitgedrukt met witruimte of eenvoudige opmaaktaal.
- Compressie
- –
- Transparantie
- –
- Animatie
- –
- Geïntroduceerd
- –
Mensen halen platte tekst uit een PDF als de woorden het enige zijn wat ze nodig hebben, voor zoeken, citeren, vertalen, gegevens opschonen of als invoer voor een ander programma, en de opmaak alleen in de weg zit.
Veelgestelde vragen over PDF naar tekst
Waarom kan ik de tekst niet gewoon uit de PDF kopiëren en plakken?
Voor een alinea of twee kan dat, maar kopiëren uit een PDF-viewer breekt woorden vaak af aan het einde van regels, haalt kolommen door elkaar, zet paginakoppen midden in zinnen en werkt op gescande pagina's helemaal niet. Bij extractie wordt het hele bestand in leesvolgorde gelezen en wordt OCR toegepast waar geen tekstlaag is.
Welke codering heeft het tekstbestand?
UTF-8, de codering die het web en de meeste software standaard gebruiken. Windows Kladblok slaat nieuwe bestanden sinds Windows 10 versie 1903 standaard op als UTF-8, en macOS TextEdit, VS Code en alle browsers lezen het zonder te vragen. Toont een oud programma vreemde tekens, zoek dan naar een importoptie waarmee u UTF-8 kunt kiezen.
Is TXT hetzelfde als de tool PDF naar TXT?
De uitvoer is identiek: een .txt-bestand. Deze pagina richt zich op het halen van tekst voor hergebruik; PDF naar TXT is dezelfde conversie onder de bestandsextensie waarop mensen ook zoeken.
Wat gebeurt er met tabellen?
Tabelcellen worden in leesvolgorde geschreven, gescheiden door tabs, zodat een tabel redelijk goed in een spreadsheet te plakken is. Zijn de tabellen de reden dat u converteert, dan houdt PDF naar Excel rijen en kolommen in echte cellen.
Kan ik de tekst krijgen met gemarkeerde koppen?
In platte tekst kunt u geen kop markeren. Kies Markdown onder Converteren naar als u koppen, lijsten en vette tekst met eenvoudige symbolen gemarkeerd wilt houden, terwijl het een tekstbestand blijft.
Werkt tekst uit een scan halen ook voor handschrift?
OCR is gemaakt voor gedrukte tekst. Nette blokletters worden vaak herkend, maar aaneengeschreven handschrift is niet betrouwbaar. Getypte of gedrukte scans van 300 dpi geven de beste resultaten.
| PDF naar Markdown | PDF naar Word | PDF naar EPUB |
| TXT naar PDF | Afbeelding naar tekst | HTML naar TXT |
