Konwerter PDF na tekst
Zostaw z pliku PDF same słowa: bez czcionek, obrazów i układu, tylko plik .txt, który można przeszukiwać, wklejać, porównywać, przekazać do skryptu lub wczytać do narzędzia tłumaczeniowego. Zeskanowane strony są najpierw odczytywane przez OCR.
Konwerter PDF
lub upuść Pliki PDF tutaj ·
Maks. 95 MB na plik· Do 20 plików· Usuwane po 30 min
Pliki są przetwarzane na naszych serwerach i usuwane po 30 min.
Zeskanowane PDF-y to obrazy stron. Auto uruchamia OCR tylko na stronach bez warstwy tekstu; Zawsze wymusza go dla każdej strony.
Język tekstu na skanie. Wybór właściwego wyraźnie poprawia dokładność przy znakach diakrytycznych i pismach nielacińskich.
Płynny tekst zamienia treść w zwykłe akapity, łatwe do edycji. Dokładny układ umieszcza każdy blok tam, gdzie był, co wygląda identycznie, ale trudniej się edytuje.
Gdzie w skoroszycie trafiają wykryte tabele.
Numery stron lub zakresy oddzielone przecinkami, np. 1-3, 5, 8-10.
Jak korzystać z narzędzia
- 1
Dodaj plik PDF
Prześlij jeden plik PDF lub zestaw do 20 plików, każdy do 95 MB. Pliki mieszane, z stronami tekstowymi i skanowanymi, są przetwarzane strona po stronie.
- 2
W razie potrzeby zawęź zakres
Tekst zwykły jest już wybrany w polu Konwertuj na. Użyj opcji Strony do konwersji w sekcji Ustawienia zaawansowane, aby wyodrębnić tylko potrzebny rozdział lub załącznik.
- 3
Pobierz plik .txt
Kliknij Konwertuj na Tekst zwykły. Plik ma kodowanie UTF-8, więc polskie znaki i pisma niełacińskie wyświetlają się poprawnie w każdym nowoczesnym edytorze.
Jak najczyściej wyciągnąć tekst z PDF-a?
Przekonwertuj go na zwykły plik .txt. Dostajesz każde słowo w kolejności czytania, z akapitami oddzielonymi pustymi wierszami i niczym więcej, gotowe do użycia w dowolnym edytorze lub programie.
Co zachowuje, a co pomija wyodrębnianie tekstu z PDF
Konwerter przechodzi po każdej stronie w kolejności czytania, od góry do dołu i kolumna po kolumnie, i zapisuje napotkane znaki. Wiersze należące do jednego akapitu są łączone, a akapity oddzielane pustym wierszem. Tekst każdej strony następuje po tekście poprzedniej, więc rozdział czyta się jako jeden ciągły fragment.
Wszystko, co wizualne, jest odrzucane: czcionki, rozmiary, kolory, obrazy, wykresy i położenie tekstu na stronie. O to właśnie chodzi. Raport o rozmiarze 10 MB pełen zdjęć zwykle kurczy się do pliku tekstowego liczącego kilkaset kilobajtów, który łatwiej przeszukiwać, porównywać między wersjami narzędziem diff lub wklejać do narzędzia do tłumaczenia albo analizy.
Użytkownicy wiersza poleceń mogą znać pdftotext z projektów Poppler i Xpdf, które robi podobną rzecz z cyfrowymi plikami PDF. Różnica polega tu na OCR: strony bez warstwy tekstowej są rozpoznawane w wybranym języku zamiast wychodzić puste. W przypadku obrazów, które w ogóle nie są plikami PDF, użyj obrazu na tekst.
Zwykły tekst, Markdown czy Word: wybierz właściwy format
Tekst zwykły
Tylko słowa, UTF-8.
- Najmniejszy plik
- Otwiera się w czymkolwiek
- Bez nagłówków i formatowania
Markdown
Tekst z lekkim znacznikowaniem.
- Nagłówki oznaczone znakiem #
- Listy i pogrubienia zachowane
- Nadal plik tekstowy
Dokument Word
Pełny edytowalny układ.
- Tabele i obrazy zachowane
- Style zachowane
- Wymaga edytora tekstu
Dlaczego plik tekstowy jest tak mały
1 bajtna angielską literę, cyfrę lub spację w pliku tekstowym UTF-8
Portable Document Format
PDF został stworzony przez Adobe w 1993 roku, a w 2008 stał się otwartą normą ISO 32000. Utrwala tekst, czcionki, obrazy i układ, dzięki czemu dokument wygląda tak samo na każdym ekranie i drukarce. PDF-y mogą zawierać formularze, podpisy, linki, załączniki i tekst z możliwością wyszukiwania, a wariant PDF/A służy do długoterminowej archiwizacji. Stały układ utrudnia edycję, a zeskanowane PDF-y zawierają tylko obrazy, dopóki nie zastosuje się OCR. Otworzy je każda przeglądarka i każdy system operacyjny.
- Kompresja
- –
- Przezroczystość
- Tak
- Animacja
- Nie
- Rok powstania
- 1993 · Adobe
TXT
Zwykły tekst
Plik TXT zawiera wyłącznie zwykłe znaki, bez formatowania, czcionek, obrazów i układu strony. Współczesne pliki tekstowe są zwykle kodowane w UTF-8, który obejmuje wszystkie języki, choć starsze pliki mogą używać innych kodowań i wyświetlać krzaczki. Zwykły tekst jest bardzo mały, nigdy się nie starzeje i otwiera się na każdym urządzeniu, od telefonów po serwery. Nie może zawierać pogrubień, tabel ani obrazów, więc strukturę trzeba wyrażać odstępami lub prostym znacznikowaniem.
- Kompresja
- –
- Przezroczystość
- –
- Animacja
- –
- Rok powstania
- –
Zwykły tekst wyciąga się z PDF-a, gdy liczą się tylko słowa, np. do wyszukiwania, cytowania, tłumaczenia, czyszczenia danych lub przekazania innemu programowi, a układ tylko przeszkadza.
PDF na tekst — najczęstsze pytania
Dlaczego nie mogę po prostu skopiować i wkleić tekstu z PDF?
Przy jednym czy dwóch akapitach można, ale kopiowanie z przeglądarki PDF często łamie wyrazy na końcach wierszy, myli kolumny, wstawia nagłówki stron w środku zdań i w ogóle nie działa na zeskanowanych stronach. Ekstrakcja odczytuje cały plik w kolejności czytania i uruchamia OCR tam, gdzie nie ma warstwy tekstowej.
Jakie kodowanie ma plik tekstowy?
UTF-8, czyli kodowanie, które jest domyślne w internecie i w większości programów. Notatnik w Windows zapisuje nowe pliki domyślnie jako UTF-8 od Windows 10 w wersji 1903, a TextEdit w macOS, VS Code i każda przeglądarka odczytują go bez pytania. Jeśli stary program pokazuje dziwne znaki, poszukaj opcji importu pozwalającej wybrać UTF-8.
Czy TXT to to samo co narzędzie PDF na TXT?
Wynik jest identyczny: plik .txt. Ta strona skupia się na wydobywaniu tekstu do ponownego użycia, a PDF do TXT to ta sama konwersja pod nazwą rozszerzenia pliku, której także szukają użytkownicy.
Co dzieje się z tabelami?
Komórki tabel są zapisywane w kolejności czytania i rozdzielane tabulatorami, więc tabela dość dobrze wkleja się do arkusza kalkulacyjnego. Jeśli konwertujesz ze względu na tabele, PDF do Excela zachowuje wiersze i kolumny w prawdziwych komórkach.
Czy mogę otrzymać tekst z oznaczonymi nagłówkami?
Tekst zwykły nie ma sposobu na oznaczenie nagłówka. Wybierz Markdown w polu Konwertuj na, jeśli chcesz mieć nagłówki, listy i pogrubienia oznaczone prostymi symbolami, a nadal pozostać przy pliku tekstowym.
Czy wyodrębnianie tekstu ze skanu działa dla pisma odręcznego?
OCR jest przeznaczony do tekstu drukowanego. Staranne drukowane litery są często rozpoznawane, ale pismo odręczne ciągłe nie jest niezawodne. Najlepsze wyniki dają skany tekstu maszynowego lub drukowanego w 300 dpi.
| PDF do Markdown | PDF do Worda | PDF do EPUB |
| TXT do PDF | Obraz na tekst | HTML do TXT |
