Convertor PDF în text
Reduceți un PDF la cuvintele sale: fără fonturi, fără imagini, fără aranjare în pagină, doar un fișier .txt în care puteți căuta, pe care îl puteți lipi, compara, da unui script sau introduce într-un instrument de traducere. Paginile scanate sunt citite mai întâi cu OCR.
Convertor PDF
sau trage Fișiere PDF aici ·
Maximum 95 MB per fișier· Până la 20 fișiere· Șterse după 30 minute
Fișierele sunt procesate pe serverele noastre și șterse după 30 minute.
PDF-urile scanate sunt imagini ale paginilor. Automat rulează OCR doar pe paginile fără strat de text; Activat îl forțează pentru fiecare pagină.
Limba textului tipărit în scanare. Alegerea celei corecte îmbunătățește vizibil acuratețea pentru diacritice și alfabete non-latine.
Text fluid se rearanjează în paragrafe normale, ușor de editat. Aspect exact așază fiecare bloc unde era, ceea ce arată identic, dar este mai greu de editat.
Unde ajung tabelele detectate în registrul de calcul.
Numere de pagini sau intervale separate prin virgule, de exemplu 1-3, 5, 8-10.
Cum se folosește acest instrument
- 1
Adăugați fișierul PDF
Încărcați un singur PDF sau un set de cel mult 20, fiecare de până la 95 MB. Fișierele mixte, cu pagini tipărite și pagini scanate, sunt tratate pagină cu pagină.
- 2
Restrângeți selecția, dacă doriți
Textul simplu este deja selectat la Convertește în. Folosiți Pagini de convertit din Setări avansate ca să extrageți doar capitolul sau anexa de care aveți nevoie.
- 3
Descărcați fișierul .txt
Apăsați Convertește în Text simplu. Fișierul este codificat UTF-8, deci diacriticele și alfabetele non-latine apar corect în orice editor modern.
Care este cea mai curată metodă de a extrage text dintr-un PDF?
Convertiți-l într-un fișier .txt simplu. Obțineți fiecare cuvânt în ordinea de citire, cu paragrafele separate prin rânduri goale și nimic altceva, gata pentru orice editor sau program.
Ce păstrează și ce elimină extragerea textului din PDF
Convertorul parcurge fiecare pagină în ordinea de citire, de sus în jos și coloană cu coloană, și scrie caracterele găsite. Rândurile care aparțin aceluiași paragraf sunt unite, iar paragrafele sunt separate printr-un rând gol. Textul fiecărei pagini urmează după cel al paginii precedente, deci un capitol se citește ca un singur pasaj continuu.
Tot ce este vizual se elimină: fonturi, mărimi, culori, imagini, grafice și poziția textului pe pagină. Asta este ideea. Un raport de 10 MB plin de fotografii ajunge de obicei la un fișier text de câteva sute de kiloocteți, mai ușor de căutat, de comparat între versiuni cu un instrument diff sau de lipit într-un instrument de traducere ori de analiză.
Utilizatorii de linie de comandă cunosc poate pdftotext din proiectele Poppler și Xpdf, care face o treabă similară pe PDF-urile digitale. Diferența de aici este OCR: paginile fără strat de text sunt recunoscute în limba aleasă, în loc să iasă goale. Pentru imagini care nu sunt deloc PDF-uri, folosiți imagine în text.
Text simplu, Markdown sau Word: alegeți formatul potrivit
Text simplu
Doar cuvinte, UTF-8.
- Cel mai mic fișier
- Se deschide în orice program
- Fără titluri sau formatare
Markdown
Text cu marcare ușoară.
- Titluri marcate cu #
- Liste și text aldin păstrate
- Rămâne fișier text
Document Word
Aspect complet editabil.
- Tabele și imagini păstrate
- Stiluri păstrate
- Necesită un procesor de texte
De ce fișierul text este atât de mic
1 octetper literă engleză, cifră sau spațiu într-un fișier text UTF-8
Portable Document Format
PDF a fost creat de Adobe în 1993 și a devenit standardul deschis ISO 32000 în 2008. Fixează textul, fonturile, imaginile și aspectul, astfel încât documentul arată la fel pe orice ecran și imprimantă. PDF-urile pot conține formulare, semnături, linkuri, atașamente și text căutabil, iar varianta PDF/A este folosită pentru arhivare pe termen lung. Aspectul fix face PDF-urile greu de editat, iar PDF-urile scanate conțin doar imagini, dacă nu se aplică OCR. Orice browser și sistem de operare le poate deschide.
- Compresie
- –
- Transparență
- Da
- Animație
- Nu
- Introdus în
- 1993 · Adobe
TXT
Text simplu
Un fișier TXT conține doar caractere simple, fără formatare, fonturi, imagini sau aspect de pagină. Fișierele text moderne sunt de obicei codificate în UTF-8, care acoperă toate limbile, deși fișierele mai vechi pot folosi alte codificări și pot afișa caractere stricate. Textul simplu este foarte mic, nu devine niciodată depășit și se deschide pe orice dispozitiv, de la telefoane la servere. Nu poate conține text aldin, tabele sau imagini, așa că structura trebuie exprimată prin spațiere sau marcaje simple.
- Compresie
- –
- Transparență
- –
- Animație
- –
- Introdus în
- –
Se extrage text simplu dintr-un PDF atunci când contează doar cuvintele, pentru căutare, citare, traducere, curățarea datelor sau alimentarea unui alt program, iar aspectul paginii doar încurcă.
Întrebări frecvente despre PDF în text
De ce nu pot pur și simplu copia și lipi textul din PDF?
Se poate pentru un paragraf sau două, dar copierea dintr-un cititor PDF rupe adesea cuvintele la capăt de rând, amestecă coloanele, adaugă antete de pagină în mijlocul propozițiilor și nu funcționează deloc pe paginile scanate. Extragerea citește tot fișierul în ordinea de citire și aplică OCR acolo unde nu există strat de text.
Ce codificare are fișierul text?
UTF-8, codificarea implicită pe web și în majoritatea programelor. Notepad din Windows salvează fișierele noi în UTF-8 în mod implicit începând cu Windows 10 versiunea 1903, iar TextEdit din macOS, VS Code și orice browser îl citesc fără să întrebe. Dacă un program vechi afișează caractere ciudate, căutați o opțiune de import care vă lasă să alegeți UTF-8.
Formatul TXT este același lucru cu instrumentul PDF în TXT?
Rezultatul este identic: un fișier .txt. Această pagină se concentrează pe extragerea textului pentru reutilizare; PDF în TXT este aceeași conversie, sub numele de extensie pe care îl caută și mulți utilizatori.
Ce se întâmplă cu tabelele?
Celulele tabelelor sunt scrise în ordinea de citire, separate prin tab-uri, așa că un tabel se lipește destul de bine într-o foaie de calcul. Dacă tabelele sunt motivul conversiei, PDF în Excel păstrează rândurile și coloanele în celule reale.
Pot obține textul cu titlurile marcate?
Textul simplu nu are cum să marcheze un titlu. Alegeți Markdown la Convertește în dacă doriți titluri, liste și text aldin marcate prin simboluri simple, rămânând în continuare un fișier text.
Extragerea textului dintr-o scanare funcționează și pentru scrisul de mână?
OCR este făcut pentru text tipărit. Literele mari de tipar, scrise îngrijit, sunt adesea citite, dar scrisul de mână cursiv nu este de încredere. Scanările tipărite sau dactilografiate la 300 dpi dau cele mai bune rezultate.
| PDF în Markdown | PDF în Word | PDF în EPUB |
| TXT în PDF | Imagine în text | HTML în TXT |
