PDF నుండి టెక్స్ట్ కన్వర్టర్
PDFలోని పదాలను మాత్రమే వేరు చేయండి: ఫాంట్లు, ఇమేజ్‌లు, లేఅవుట్ ఏవీ ఉండవు, కేవలం ఒక .txt ఫైల్. దాన్ని వెతకవచ్చు, పేస్ట్ చేయవచ్చు, diff చేయవచ్చు, స్క్రిప్ట్‌కు ఇవ్వవచ్చు లేదా అనువాద టూల్‌లో వేయవచ్చు. స్కాన్ చేసిన పేజీలను ముందుగా OCRతో చదువుతుంది.
PDF కన్వర్టర్
లేదా PDF ఫైళ్లు ను ఇక్కడ వదలండి ·
ఒక్కో ఫైల్‌కు గరిష్ఠంగా 95 MB· గరిష్ఠంగా 20 ఫైళ్లు· 30 నిమిషాల తర్వాత తొలగించబడతాయి
ఫైళ్లు మా సర్వర్లలో ప్రాసెస్ చేయబడి 30 నిమిషాల తర్వాత తొలగించబడతాయి.
స్కాన్ చేసిన PDFలు పేజీల చిత్రాలు. ఆటో టెక్స్ట్ లేయర్ లేని పేజీలపై మాత్రమే OCR నడుపుతుంది; ఎల్లప్పుడూ అన్ని పేజీలకూ బలవంతంగా నడుపుతుంది.
స్కాన్‌లో ముద్రించిన భాష. సరైనది ఎంచుకుంటే ఉచ్చారణ చిహ్నాలు, లాటిన్ కాని లిపులకు కచ్చితత్వం గణనీయంగా పెరుగుతుంది.
ప్రవహించే టెక్స్ట్ సులభంగా సవరించగల సాధారణ పేరాలుగా మారుతుంది. కచ్చితమైన లేఅవుట్ ప్రతి బ్లాక్ను ఉన్న చోటే ఉంచుతుంది, అది అచ్చం అలాగే కనిపిస్తుంది కానీ సవరించడం కష్టం.
గుర్తించిన పట్టికలు వర్క్బుక్లో ఎక్కడ ఉండాలి.
పేజీ సంఖ్యలు లేదా శ్రేణులను కామాలతో వేరు చేయండి, ఉదా. 1-3, 5, 8-10.
ఈ టూల్‌ను ఎలా ఉపయోగించాలి
- 1
PDFని అప్‌లోడ్ చేయండి
ఒక PDFని లేదా ఒక్కొక్కటి 95 MB వరకు ఉన్న 20 వరకు PDFలను అప్‌లోడ్ చేయండి. టైప్ చేసిన పేజీలు, స్కాన్ చేసిన పేజీలు కలిసి ఉన్న ఫైళ్లను పేజీ వారీగా ప్రాసెస్ చేస్తాం.
- 2
కావాలంటే పేజీలను పరిమితం చేయండి
దీనికి మార్చండి కింద Plain text ఇప్పటికే ఎంచుకుని ఉంటుంది. మీకు కావలసిన అధ్యాయం లేదా అనుబంధం మాత్రమే తీయడానికి అధునాతన సెట్టింగ్‌లులోని మార్చవలసిన పేజీలు ఉపయోగించండి.
- 3
.txt ఫైల్‌ను డౌన్‌లోడ్ చేయండి
Plain textకు మార్చండి నొక్కండి. ఫైల్ UTF-8 ఎన్కోడింగ్లో ఉంటుంది, కాబట్టి యాక్సెంట్లు, లాటిన్ కాని లిపులు ఏ ఆధునిక ఎడిటర్‌లోనైనా సరిగ్గా కనిపిస్తాయి.
PDF నుండి టెక్స్ట్ తీయడానికి అత్యంత శుభ్రమైన మార్గం ఏది?
దాన్ని సాధారణ .txt ఫైల్‌గా మార్చండి. ప్రతి పదం చదివే క్రమంలో వస్తుంది, పేరాలు ఖాళీ లైన్లతో వేరవుతాయి, మరేమీ ఉండదు; ఏ ఎడిటర్ లేదా ప్రోగ్రామ్‌కైనా సిద్ధంగా ఉంటుంది.
PDF టెక్స్ట్ ఎక్స్‌ట్రాక్షన్‌లో ఏది ఉంటుంది, ఏది పోతుంది
కన్వర్టర్ ప్రతి పేజీని చదివే క్రమంలో, పై నుండి కిందికి, కాలమ్ వారీగా చదివి, కనిపించే అక్షరాలను రాస్తుంది. ఒకే పేరాకు చెందిన లైన్లు కలుపబడతాయి, పేరాలు ఖాళీ లైన్‌తో వేరవుతాయి. ప్రతి పేజీ టెక్స్ట్ మునుపటి పేజీ టెక్స్ట్ తర్వాత వస్తుంది, కాబట్టి అధ్యాయం ఒకే నిరంతర భాగంగా చదవబడుతుంది.
దృశ్య అంశాలన్నీ తొలగించబడతాయి: ఫాంట్లు, సైజ్‌లు, రంగులు, ఇమేజ్‌లు, చార్ట్‌లు, పేజీలో టెక్స్ట్ స్థానం. అదే ఉద్దేశ్యం. ఫోటోలతో నిండిన 10 MB రిపోర్ట్ సాధారణంగా కొన్ని వందల కిలోబైట్ల టెక్స్ట్ ఫైల్‌గా తగ్గుతుంది; దాన్ని వెతకడం, diff టూల్‌తో వెర్షన్‌లను పోల్చడం, అనువాదం లేదా విశ్లేషణ టూల్‌లో పేస్ట్ చేయడం సులభం.
కమాండ్-లైన్ వాడేవారికి Poppler, Xpdf ప్రాజెక్టుల pdftotext తెలిసి ఉండవచ్చు; ఇది డిజిటల్ PDFలపై ఇలాంటి పనే చేస్తుంది. ఇక్కడ తేడా OCR: టెక్స్ట్ లేయర్ లేని పేజీలు ఖాళీగా రాకుండా మీరు ఎంచుకున్న భాషలో గుర్తించబడతాయి. PDFలు కాని చిత్రాల కోసం ఇమేజ్ నుండి టెక్స్ట్ ఉపయోగించండి.
ప్లెయిన్ టెక్స్ట్, Markdown లేదా Word: సరైన అవుట్పుట్ ఎంచుకోండి
Plain text
పదాలు మాత్రమే, UTF-8.
- అతి చిన్న ఫైల్
- దేనిలోనైనా తెరుచుకుంటుంది
- హెడ్డింగ్లు, ఫార్మాటింగ్ ఉండవు
Markdown
తేలికపాటి మార్కప్‌తో టెక్స్ట్.
- హెడ్డింగ్లు #తో గుర్తించబడతాయి
- జాబితాలు, బోల్డ్ ఉంటాయి
- ఇంకా టెక్స్ట్ ఫైలే
Word డాక్యుమెంట్
పూర్తి ఎడిట్ చేయగల లేఅవుట్.
- టేబుల్స్, ఇమేజ్‌లు ఉంటాయి
- స్టైల్స్ నిలిచి ఉంటాయి
- వర్డ్ ప్రాసెసర్ అవసరం
టెక్స్ట్ ఫైల్ ఎందుకు ఇంత చిన్నగా ఉంటుంది
1 బైట్UTF-8 టెక్స్ట్ ఫైల్‌లో ప్రతి ఇంగ్లీష్ అక్షరం, అంకె లేదా ఖాళీకి
Portable Document Format
PDFని Adobe 1993లో రూపొందించింది, 2008లో ఓపెన్ ISO 32000 ప్రమాణంగా మారింది. ఇది టెక్స్ట్, ఫాంట్లు, చిత్రాలు, లేఅవుట్‌ను స్థిరపరుస్తుంది, కాబట్టి పత్రం ప్రతి స్క్రీన్, ప్రింటర్‌లో ఒకేలా కనిపిస్తుంది. PDFలలో ఫారమ్‌లు, సంతకాలు, లింకులు, అటాచ్‌మెంట్లు, శోధించగల టెక్స్ట్ ఉండవచ్చు, PDF/A రకాన్ని దీర్ఘకాల ఆర్కైవింగ్‌కు వాడతారు. స్థిర లేఅవుట్ వల్ల PDFలను ఎడిట్ చేయడం కష్టం, స్కాన్ చేసిన PDFలలో OCR వర్తింపజేయకపోతే చిత్రాలు మాత్రమే ఉంటాయి. ప్రతి బ్రౌజర్, ఆపరేటింగ్ సిస్టమ్ వీటిని తెరవగలదు.
- కంప్రెషన్
- –
- పారదర్శకత
- అవును
- యానిమేషన్
- కాదు
- పరిచయమైన సంవత్సరం
- 1993 · Adobe
TXT
సాదా టెక్స్ట్
TXT ఫైల్‌లో ఫార్మాటింగ్, ఫాంట్లు, చిత్రాలు, లేఅవుట్ లేకుండా సాదా అక్షరాలు మాత్రమే ఉంటాయి. ఆధునిక టెక్స్ట్ ఫైళ్లు సాధారణంగా అన్ని భాషలను కవర్ చేసే UTF-8లో ఎన్‌కోడ్ అవుతాయి, పాత ఫైళ్లు ఇతర ఎన్‌కోడింగ్‌లు వాడి అక్షరాలు గందరగోళంగా చూపవచ్చు. సాదా టెక్స్ట్ చాలా చిన్నది, ఎప్పటికీ పాతబడదు, ఫోన్ల నుంచి సర్వర్ల వరకు ప్రతి పరికరంలో తెరుచుకుంటుంది. బోల్డ్ టెక్స్ట్, పట్టికలు, చిత్రాలను ఉంచలేదు, కాబట్టి నిర్మాణాన్ని ఖాళీలతో లేదా సరళమైన మార్కప్‌తో చూపాలి.
- కంప్రెషన్
- –
- పారదర్శకత
- –
- యానిమేషన్
- –
- పరిచయమైన సంవత్సరం
- –
శోధన, కోట్ చేయడం, అనువాదం, డేటా క్లీనింగ్ లేదా మరో ప్రోగ్రామ్‌కు ఇవ్వడం కోసం పదాలే కావాలనుకున్నప్పుడు, లేఅవుట్ అడ్డంకిగా మారినప్పుడు ప్రజలు PDF నుండి ప్లెయిన్ టెక్స్ట్ తీస్తారు.
PDF నుండి టెక్స్ట్ FAQ
PDF నుండి టెక్స్ట్ను నేరుగా కాపీ-పేస్ట్ ఎందుకు చేయలేను?
ఒకటి రెండు పేరాలకు కాపీ చేయవచ్చు, కానీ PDF వ్యూయర్ నుండి కాపీ చేస్తే లైన్ చివర పదాలు విరిగిపోవడం, కాలమ్‌లు కలిసిపోవడం, వాక్యాల మధ్యలో పేజీ హెడర్లు చేరడం జరుగుతుంది; స్కాన్ చేసిన పేజీలలో అసలు ఏమీ రాదు. ఎక్స్‌ట్రాక్షన్ మొత్తం ఫైల్‌ను చదివే క్రమంలో చదువుతుంది, టెక్స్ట్ లేయర్ లేని చోట OCR నడుపుతుంది.
టెక్స్ట్ ఫైల్ ఏ ఎన్కోడింగ్లో ఉంటుంది?
UTF-8, వెబ్ మరియు చాలా సాఫ్ట్వేర్ డిఫాల్ట్గా వాడే ఎన్కోడింగ్. Windows Notepad Windows 10 వెర్షన్ 1903 నుండి కొత్త ఫైళ్లను డిఫాల్ట్గా UTF-8లో సేవ్ చేస్తోంది; macOS TextEdit, VS Code, ప్రతి బ్రౌజర్ దీన్ని అడగకుండానే చదువుతాయి. పాత ప్రోగ్రామ్లో వింత అక్షరాలు కనిపిస్తే, UTF-8 ఎంచుకునే ఇంపోర్ట్ ఎంపిక కోసం చూడండి.
TXT, PDF నుండి TXT టూల్ ఒకటేనా?
అవుట్పుట్ ఒకటే: .txt ఫైల్. ఈ పేజీ టెక్స్ట్ను తిరిగి వాడుకోవడం కోసం తీయడంపై దృష్టి పెడుతుంది; PDF నుండి TXT అనేది ఫైల్ ఎక్స్టెన్షన్ పేరుతో కూడా వెతికే అదే మార్పిడి.
టేబుల్స్ ఏమవుతాయి?
టేబుల్ సెల్స్ చదివే క్రమంలో, ట్యాబ్లతో వేరు చేసి రాయబడతాయి, కాబట్టి టేబుల్ స్ప్రెడ్షీట్లో బాగానే పేస్ట్ అవుతుంది. టేబుల్స్ కోసమే మార్చుతుంటే, PDF నుండి Excel అడ్డు వరుసలు, నిలువు వరుసలను నిజమైన సెల్స్లో ఉంచుతుంది.
హెడింగ్లు గుర్తించిన టెక్స్ట్ పొందగలనా?
Plain textలో హెడ్డింగ్ను గుర్తించే మార్గం లేదు. హెడ్డింగ్లు, జాబితాలు, బోల్డ్ టెక్స్ట్ సాధారణ చిహ్నాలతో గుర్తించబడి టెక్స్ట్ ఫైల్గానే ఉండాలంటే దీనికి మార్చండి కింద Markdown ఎంచుకోండి.
స్కాన్ నుండి టెక్స్ట్ తీయడం చేతిరాతకు పనిచేస్తుందా?
OCR ముద్రిత టెక్స్ట్ కోసం రూపొందించబడింది. చక్కని బ్లాక్ క్యాపిటల్స్ తరచుగా చదవబడతాయి, కానీ కర్సివ్ చేతిరాత నమ్మదగినది కాదు. 300 dpi వద్ద టైప్ చేసిన లేదా ముద్రించిన స్కాన్‌లు ఉత్తమ ఫలితాలు ఇస్తాయి.
| PDF నుండి Markdown | PDF నుండి Word | PDF నుండి EPUB |
| TXT నుండి PDF | ఇమేజ్ నుండి టెక్స్ట్ | HTML నుండి TXT |
