Prevod PDF na text
Zredukujte PDF len na slová: bez písiem, obrázkov a rozloženia, iba súbor .txt, v ktorom môžete vyhľadávať, ktorý môžete vložiť inam, porovnať, spracovať skriptom alebo otvoriť v prekladateľskom nástroji. Naskenované strany sa najprv prečítajú pomocou OCR.
PDF Converter
alebo sem presuňte súbory PDF ·
Max. 95 MB na súbor· Až 20 súborov· Odstránenie po 30 minútach
Súbory sa spracúvajú na našich serveroch a po 30 minútach sa odstránia.
Skenované PDF sú obrázky strán. Auto spustí OCR len na stranách bez textovej vrstvy; Vždy ho vynúti pre každú stranu.
Jazyk textu v skene. Správny výber citeľne zlepší presnosť pri diakritike a nelatinských písmach.
Plynulý text sa zalomí do bežných odsekov, ktoré sa ľahko upravujú. Presné rozloženie umiestni každý blok tam, kde bol, čo vyzerá rovnako, ale sa ťažšie upravuje.
Kam v zošite pôjdu rozpoznané tabuľky.
Čísla strán alebo rozsahy oddelené čiarkami, napr. 1-3, 5, 8-10.
Ako používať tento nástroj
- 1
Vložte PDF
Nahrajte jeden PDF súbor alebo až 20 súborov, každý do 95 MB. Zmiešané súbory so strojovo písanými aj naskenovanými stranami sa spracujú strana po strane.
- 2
Podľa potreby zúžte výber
Obyčajný text je už vybraný v poli Previesť na. Pomocou Strany v Rozšírené nastavenia môžete extrahovať len kapitolu alebo prílohu, ktorú potrebujete.
- 3
Stiahnite súbor .txt
Stlačte Previesť na Obyčajný text. Súbor je v kódovaní UTF-8, takže diakritika a nelatinské písma sa zobrazia správne v každom moderného editore.
Aký je najčistejší spôsob, ako dostať text z PDF?
Previesť ho na obyčajný súbor .txt. Dostanete každé slovo v poradí čítania, odseky oddelené prázdnymi riadkami a nič iné, pripravené pre akýkoľvek editor alebo program.
Čo extrakcia textu z PDF zachová a čo vynechá
Konvertor prechádza každú stranu v poradí čítania, zhora nadol a stĺpec po stĺpci, a zapisuje znaky, ktoré nájde. Riadky patriace k jednému odseku sa spoja a odseky sa oddelia prázdnym riadkom. Text každej strany nadväzuje na text predchádzajúcej, takže kapitola sa číta ako súvislý text.
Všetko vizuálne sa zahodí: písma, veľkosti, farby, obrázky, grafy aj poloha textu na strane. Práve v tom je zmysel. Správa s veľkosťou 10 MB plná fotiek sa zvyčajne zmenší na textový súbor s niekoľkými stovkami kilobajtov, v ktorom sa ľahšie hľadá, dá sa porovnávať medzi verziami nástrojom diff alebo vložiť do nástroja na preklad či analýzu.
Používatelia príkazového riadka môžu poznať pdftotext z projektov Poppler a Xpdf, ktorý robí podobnú prácu na digitálnych PDF. Rozdiel je tu v OCR: strany bez textovej vrstvy sa rozpoznajú vo vami zvolenom jazyku namiesto toho, aby zostali prázdne. Pri obrázkoch, ktoré vôbec nie sú PDF, použite obrázok na text.
Čistý text, Markdown alebo Word: vyberte správny výstup
Obyčajný text
Iba slová, UTF-8.
- Najmenší súbor
- Otvorí sa v čomkoľvek
- Bez nadpisov a formátovania
Markdown
Text s ľahkým značkovaním.
- Nadpisy označené znakom #
- Zoznamy a tučné písmo zostávajú
- Stále textový súbor
Dokument Word
Plne upraviteľné rozloženie.
- Tabuľky a obrázky zostávajú
- Štýly sú zachované
- Vyžaduje textový editor
Prečo je textový súbor taký malý
1 bajtna anglické písmeno, číslicu alebo medzeru v textovom súbore UTF-8
Portable Document Format
PDF vytvoril Adobe v roku 1993 a v roku 2008 sa stal otvoreným štandardom ISO 32000. Pevne určuje text, písma, obrázky a rozloženie, takže dokument vyzerá rovnako na každej obrazovke a tlačiarni. PDF môže obsahovať formuláre, podpisy, odkazy, prílohy a vyhľadávateľný text a variant PDF/A sa používa na dlhodobú archiváciu. Pevné rozloženie sťažuje úpravy a naskenované PDF obsahujú len obrázky, kým sa nepoužije OCR. Otvorí ich každý prehliadač aj operačný systém.
- Kompresia
- –
- Priehľadnosť
- Áno
- Animácia
- Nie
- Rok vzniku
- 1993 · Adobe
TXT
Obyčajný text
Súbor TXT obsahuje iba obyčajné znaky bez formátovania, písiem, obrázkov či rozloženia. Moderné textové súbory majú zvyčajne kódovanie UTF-8, ktoré pokrýva všetky jazyky, staršie súbory však môžu používať iné kódovania a zobraziť nezmyselné znaky. Obyčajný text je drobný, nikdy nezastará a otvorí sa na každom zariadení, od telefónov po servery. Nepojme tučný text, tabuľky ani obrázky, takže štruktúru treba vyjadriť medzerami alebo jednoduchým značkovaním.
- Kompresia
- –
- Priehľadnosť
- –
- Animácia
- –
- Rok vzniku
- –
Obyčajný text z PDF si ľudia vyťahujú vtedy, keď potrebujú len slová, na vyhľadávanie, citovanie, preklad, čistenie dát alebo na spracovanie iným programom, a rozloženie len prekáža.
Časté otázky o prevode PDF na text
Prečo nemôžem text z PDF jednoducho skopírovať a vložiť?
Pri odseku či dvoch sa to dá, ale kopírovanie z prehliadača PDF často láme slová na koncoch riadkov, miešá stĺpce, vkladá hlavičky strán doprostred viet a na naskenovaných stranách nefunguje vôbec. Extrakcia prečíta celý súbor v poradí čítania a tam, kde chýba textová vrstva, použije OCR.
Aké kódovanie má textový súbor?
UTF-8, teda kódovanie, ktoré používa web aj väčšina softvéru. Poznámkový blok vo Windowse ukladá nové súbory predvolene v UTF-8 od Windowsu 10 verzie 1903 a macOS TextEdit, VS Code aj každý prehliadač ho otvoria bez otázok. Ak starý program zobrazuje čudné znaky, hľadajte možnosť importu, kde si môžete vybrať UTF-8.
Je TXT to isté ako nástroj PDF na TXT?
Výstup je rovnaký: súbor .txt. Táto stránka sa zameriava na získanie textu na ďalšie použitie; PDF do TXT je ten istý prevod pod názvom prípony súboru, ktorý ľudia tiež vyhľadávajú.
Čo sa stane s tabuľkami?
Bunky tabuliek sa zapisujú v poradí čítania, oddelené tabulátormi, takže sa tabuľka celkom dobre vloží do tabuľkového procesora. Ak prevádzate práve kvôli tabuľkám, PDF do Excelu zachová riadky a stĺpce v skutočných bunkách.
Môžem získať text s označenými nadpismi?
Obyčajný text nemá spôsob, ako označiť nadpis. Ak chcete nadpisy, zoznamy a tučný text označené jednoduchými znakmi a zároveň zostať pri textovom súbore, vyberte v poli Previesť na Markdown.
Funguje extrakcia textu zo skenu aj pri rukopise?
OCR je určené na tlačený text. Úhľadné veľké tlačené písmená sa často prečítajú, ale písané písmo nie je spoľahlivé. Najlepšie výsledky dávajú strojovo písané alebo tlačené skeny s 300 dpi.
| PDF do Markdownu | PDF do Wordu | PDF do EPUB |
| TXT do PDF | Obrázok na text | HTML do TXT |
