แปลง PDF เป็น TXT

PDF ที่ส่งออกจาก Word, Google Docs หรือเบราว์เซอร์ จะเก็บตัวอักษรพร้อมตำแหน่ง การดึงข้อความออกมาจึงต้องอ่านตามลำดับที่เหมาะสม ส่วน PDF จากเครื่องสแกนหรือกล้องโทรศัพท์จะเก็บเพียงภาพของแต่ละหน้า ข้อความต้องผ่านการรู้จำก่อน เอกสารสำนักงานจำนวนมากมีทั้งสองแบบปนกัน เช่น จดหมายที่พิมพ์ขึ้นเองแต่มีหน้าลายเซ็นที่สแกนอยู่ท้ายเล่ม

การรู้จำข้อความ (OCR) กำหนดวิธีจัดการแต่ละหน้า ทั้งสามตัวเลือกด้านล่างทำงานต่างกันกับไฟล์แต่ละแบบ และ Auto เหมาะกับไฟล์ส่วนใหญ่

ภายใน PDF ข้อความคือรายการรหัสรูปอักษรของฟอนต์หนึ่ง ๆ ไม่ใช่ตัวอักษรจริง ไฟล์ที่ทำมาอย่างดีจะมีแมป ToUnicode บอกว่ารหัสใดคืออักขระใด ไฟล์จากไดรเวอร์พิมพ์รุ่นเก่าบางตัวและโปรแกรมสร้างรายงานเฉพาะทางไม่ใส่แมปนี้ไว้ จึงคัดลอกออกมาได้แต่ตัวอักษรอ่านไม่ออก แม้หน้ากระดาษจะดูสมบูรณ์ การบังคับใช้ OCR เป็นวิธีแก้ที่เชื่อถือได้ และPDF สแกนเป็นข้อความอธิบายการตั้งค่าสำหรับไฟล์สแกนไว้อย่างละเอียด

ไฟล์ TXT เป็น UTF-8 ตัวอักษรที่มีเครื่องหมาย อักษรซีริลลิก อาหรับ เทวนาครี และอักขระ CJK จึงอยู่ครบ อักษรที่เขียนจากขวาไปซ้ายจะเก็บตามลำดับการอ่าน ซึ่งเป็นสิ่งที่โปรแกรมแก้ไขและเครื่องมือค้นหาคาดหวัง