ดึงข้อความจาก PDF

แปลง PDF ให้เหลือเพียงตัวอักษร ไม่มีฟอนต์ ไม่มีรูปภาพ ไม่มีเลย์เอาต์ ได้ไฟล์ .txt ที่นำไปค้นหา วาง เปรียบเทียบความต่าง ส่งต่อให้สคริปต์ หรือใส่ลงในเครื่องมือแปลภาษาได้ทันที หน้าที่เป็นภาพสแกนจะอ่านด้วย OCR ก่อน

หรือลากไฟล์ PDF มาวางที่นี่ ·

สูงสุด 95 MB ต่อไฟล์· ได้สูงสุด 20 ไฟล์· ลบหลังจาก 30 นาที

ผลลัพธ์

แปลงเป็น

ไฟล์จะถูกประมวลผลบนเซิร์ฟเวอร์ของเราและถูกลบหลังจาก 30 นาที

หน้าที่สแกน

การรู้จำข้อความ (OCR)

PDF ที่สแกนคือภาพของหน้าเอกสาร โหมดอัตโนมัติจะใช้ OCR เฉพาะหน้าที่ไม่มีชั้นข้อความ ส่วนโหมดเสมอจะใช้กับทุกหน้า

ภาษาของเอกสาร

ภาษาที่พิมพ์อยู่ในไฟล์สแกน การเลือกภาษาให้ถูกต้องช่วยเพิ่มความแม่นยำของเครื่องหมายเน้นเสียงและอักษรที่ไม่ใช่ละตินได้อย่างชัดเจน

เค้าโครง

หน้า

หน้าที่จะแปลง

วิธีใช้เครื่องมือนี้

1
วางไฟล์ PDF ลงในหน้านี้
อัปโหลดไฟล์ PDF เพียงไฟล์เดียวหรือหลายไฟล์ได้สูงสุด 20 ไฟล์ แต่ละไฟล์ไม่เกิน 95 MB ไฟล์ที่มีทั้งหน้าที่พิมพ์และหน้าที่สแกนปนกันจะถูกประมวลผลทีละหน้า
2
เลือกเฉพาะหน้าที่ต้องการได้
ระบบเลือกข้อความธรรมดาไว้ให้แล้วที่ แปลงเป็น หากต้องการเฉพาะบทหรือภาคผนวก ให้ใช้ หน้าที่จะแปลง ใน การตั้งค่าขั้นสูง เพื่อดึงเฉพาะส่วนนั้น
3
ดาวน์โหลดไฟล์ .txt
กด แปลงเป็น ข้อความธรรมดา ไฟล์ใช้การเข้ารหัส UTF-8 ทำให้ตัวอักษรมีเครื่องหมายและอักษรที่ไม่ใช่ละตินแสดงถูกต้องในโปรแกรมแก้ไขข้อความรุ่นใหม่ทุกตัว

คำตอบ

วิธีดึงข้อความออกจาก PDF ที่สะอาดที่สุดคืออะไร

แปลงเป็นไฟล์ .txt ธรรมดา คุณจะได้ทุกคำตามลำดับการอ่าน แต่ละย่อหน้าคั่นด้วยบรรทัดว่างและไม่มีอย่างอื่นปนมา พร้อมใช้กับโปรแกรมแก้ไขหรือโปรแกรมใดก็ได้

การดึงข้อความจาก PDF เก็บอะไรไว้และตัดอะไรออก

ตัวแปลงจะไล่อ่านแต่ละหน้าตามลำดับการอ่าน จากบนลงล่างและทีละคอลัมน์ แล้วเขียนตัวอักษรที่พบ บรรทัดที่อยู่ในย่อหน้าเดียวกันจะถูกต่อกัน และย่อหน้าคั่นด้วยบรรทัดว่าง ข้อความของแต่ละหน้าจะต่อจากหน้าก่อนหน้า ทำให้อ่านทั้งบทได้ต่อเนื่องเป็นเนื้อเดียว

องค์ประกอบด้านภาพทั้งหมดจะถูกตัดทิ้ง ได้แก่ ฟอนต์ ขนาด สี รูปภาพ แผนภูมิ และตำแหน่งของข้อความในหน้า ซึ่งเป็นจุดประสงค์ของการแปลงนี้ รายงานขนาด 10 MB ที่เต็มไปด้วยรูปถ่ายมักเหลือเป็นไฟล์ข้อความไม่กี่ร้อยกิโลไบต์ ค้นหาได้ง่ายกว่า เปรียบเทียบระหว่างเวอร์ชันด้วยเครื่องมือ diff ได้ หรือวางลงในเครื่องมือแปลภาษาหรือวิเคราะห์ข้อมูล

ผู้ใช้บรรทัดคำสั่งอาจรู้จัก pdftotext จากโปรเจกต์ Poppler และ Xpdf ซึ่งทำงานคล้ายกันกับ PDF ดิจิทัล ความต่างของที่นี่คือ OCR หน้าที่ไม่มีเลเยอร์ข้อความจะถูกจดจำตามภาษาที่คุณเลือก แทนที่จะได้หน้าว่าง สำหรับรูปภาพที่ไม่ใช่ PDF ให้ใช้ แปลงรูปเป็นข้อความ

ข้อความล้วน Markdown หรือ Word: เลือกผลลัพธ์ให้เหมาะกับงาน

TXT

ข้อความธรรมดา

เฉพาะตัวหนังสือ แบบ UTF-8

ไฟล์เล็กที่สุด
เปิดได้ในทุกโปรแกรม
ไม่มีหัวข้อหรือการจัดรูปแบบ

Markdown

ข้อความที่มีมาร์กอัปเล็กน้อย

หัวข้อกำกับด้วย #
เก็บรายการและตัวหนาไว้
ยังเป็นไฟล์ข้อความ

DOCX

เอกสาร Word

เค้าโครงเต็มรูปแบบที่แก้ไขได้

เก็บตารางและรูปภาพไว้
คงรูปแบบตัวอักษรไว้
ต้องใช้โปรแกรมประมวลผลคำ

ทำไมไฟล์ข้อความจึงมีขนาดไฟล์เล็กมาก

1 ไบต์ต่อตัวอักษรอังกฤษ ตัวเลข หรือช่องว่างหนึ่งตัวในไฟล์ข้อความ UTF-8

ตัวอักษรละตินที่มีเครื่องหมาย กรีก ซีริลลิก อาหรับ และฮีบรู ใช้ตัวละ 2 ไบต์ ส่วนอักษรจีน ญี่ปุ่น เกาหลี และเทวนาครีใช้ตัวละ 3 ไบต์ ข้อความภาษาอังกฤษหนึ่งหน้ามักมีขนาดเพียงไม่กี่กิโลไบต์

PDF

Portable Document Format

PDF สร้างขึ้นโดย Adobe ในปี 1993 และกลายเป็นมาตรฐานเปิด ISO 32000 ในปี 2008 รูปแบบนี้ตรึงข้อความ ฟอนต์ รูปภาพ และเลย์เอาต์ไว้ เอกสารจึงแสดงผลเหมือนกันบนทุกหน้าจอและเครื่องพิมพ์ ไฟล์ PDF สามารถมีแบบฟอร์ม ลายเซ็น ลิงก์ ไฟล์แนบ และข้อความที่ค้นหาได้ และรุ่นย่อย PDF/A ใช้สำหรับการเก็บถาวรระยะยาว เลย์เอาต์ที่ตายตัวทำให้แก้ไข PDF ได้ยาก และ PDF ที่สแกนมาจะมีเพียงภาพเท่านั้นหากไม่ได้ทำ OCR เบราว์เซอร์และระบบปฏิบัติการทุกตัวเปิดไฟล์นี้ได้

การบีบอัด: –
พื้นหลังโปร่งใส: ได้
ภาพเคลื่อนไหว: ไม่ได้
เปิดตัว: 1993 · Adobe

ตัวแปลงไฟล์ PDF

TXT

ข้อความธรรมดา

ไฟล์ TXT มีเพียงอักขระธรรมดา ไม่มีการจัดรูปแบบ ฟอนต์ รูปภาพ หรือเลย์เอาต์ ไฟล์ข้อความสมัยใหม่มักเข้ารหัสแบบ UTF-8 ซึ่งครอบคลุมทุกภาษา แต่ไฟล์รุ่นเก่าอาจใช้การเข้ารหัสอื่นและแสดงเป็นอักขระที่อ่านไม่ออก ข้อความธรรมดามีขนาดเล็กมาก ไม่มีวันล้าสมัย และเปิดได้บนทุกอุปกรณ์ ตั้งแต่โทรศัพท์ไปจนถึงเซิร์ฟเวอร์ ไม่สามารถเก็บตัวหนา ตาราง หรือรูปภาพได้ โครงสร้างจึงต้องแสดงด้วยการเว้นวรรคหรือมาร์กอัปอย่างง่าย

การบีบอัด: –
พื้นหลังโปร่งใส: –
ภาพเคลื่อนไหว: –
เปิดตัว: –

ตัวแปลงไฟล์ TXT

คนดึงข้อความธรรมดาออกจาก PDF เมื่อต้องการแค่ตัวหนังสือ เพื่อค้นหา อ้างอิง แปลภาษา ทำความสะอาดข้อมูล หรือส่งต่อให้โปรแกรมอื่น โดยที่เค้าโครงมีแต่จะเกะกะ

คำถามที่พบบ่อยเกี่ยวกับการดึงข้อความจาก PDF

ทำไมคัดลอกข้อความจาก PDF แล้ววางเองไม่ได้

ทำได้หากเป็นเพียงหนึ่งหรือสองย่อหน้า แต่การคัดลอกจากโปรแกรมดู PDF มักตัดคำตรงท้ายบรรทัด สลับคอลัมน์ แทรกหัวกระดาษกลางประโยค และใช้ไม่ได้เลยกับหน้าที่สแกน การดึงข้อความจะอ่านทั้งไฟล์ตามลำดับการอ่าน และใช้ OCR ในหน้าที่ไม่มีเลเยอร์ข้อความ

ไฟล์ข้อความใช้การเข้ารหัสอักขระแบบใด

UTF-8 ซึ่งเป็นการเข้ารหัสที่เว็บและซอฟต์แวร์ส่วนใหญ่ใช้เป็นค่าเริ่มต้น Windows Notepad บันทึกไฟล์ใหม่เป็น UTF-8 โดยปริยายตั้งแต่ Windows 10 เวอร์ชัน 1903 ส่วน macOS TextEdit, VS Code และเบราว์เซอร์ทุกตัวอ่านได้โดยไม่ต้องถาม หากโปรแกรมเก่าแสดงอักขระแปลก ๆ ให้มองหาตัวเลือกนำเข้าที่เลือก UTF-8 ได้

TXT เหมือนกับเครื่องมือแปลง PDF เป็น TXT หรือไม่

ผลลัพธ์เหมือนกัน คือไฟล์ .txt หน้านี้เน้นการดึงข้อความไปใช้ซ้ำ ส่วน แปลง PDF เป็น TXT คือการแปลงแบบเดียวกันภายใต้ชื่อนามสกุลไฟล์ที่ผู้คนค้นหาเช่นกัน

ตารางใน PDF จะเป็นอย่างไร

เซลล์ของตารางจะถูกเขียนตามลำดับการอ่านและคั่นด้วยแท็บ จึงวางลงในสเปรดชีตได้ค่อนข้างดี หากต้องการแปลงเพราะมีตารางเป็นหลัก แปลง PDF เป็น Excel จะเก็บแถวและคอลัมน์ไว้ในเซลล์จริง