Конвертер PDF у текст
Залиште від PDF лише слова: без шрифтів, зображень і верстки, тільки файл .txt, у якому можна шукати, який можна вставити, порівняти, передати скрипту чи відкрити в інструменті перекладу. Скановані сторінки спершу розпізнаються через OCR.
Конвертер PDF
або перетягніть Файли PDF сюди ·
До 95 МБ на файл· До 20 файлів· Видаляються через 30 хв
Файли обробляються на наших серверах і видаляються через 30 хв.
Скановані PDF — це зображення сторінок. Авто запускає OCR лише для сторінок без текстового шару; Завжди примусово для кожної сторінки.
Мова тексту на скані. Правильний вибір помітно підвищує точність для діакритичних знаків і нелатинських писемностей.
Плинний текст перекомпоновується у звичайні абзаци, які легко редагувати. Точне компонування розміщує кожен блок там, де він був, що виглядає ідентично, але редагувати складніше.
Куди в книзі потрапляють виявлені таблиці.
Номери сторінок або діапазони через кому, наприклад 1-3, 5, 8-10.
Як користуватися цим інструментом
- 1
Додайте PDF
Завантажте один PDF або набір до 20 файлів, кожен до 95 MB. Змішані файли зі звичайними та відсканованими сторінками обробляються посторінково.
- 2
За бажанням звузьте вибір
Простий текст уже вибрано в полі Конвертувати в. Скористайтеся пунктом Сторінки для конвертації в Додаткові налаштування, щоб витягти лише потрібний розділ або додаток.
- 3
Завантажте .txt
Натисніть Конвертувати в Простий текст. Файл у кодуванні UTF-8, тому наголоси й нелатинські писемності коректно відображаються в будь-якому сучасному редакторі.
Як найчистіше витягти текст із PDF?
Конвертуйте його в простий файл .txt. Ви отримаєте всі слова в порядку читання, абзаци розділені порожніми рядками, і більше нічого — готово для будь-якого редактора чи програми.
Що зберігається і що відкидається під час витягування тексту з PDF
Конвертер проходить кожну сторінку в порядку читання, зверху вниз і колонка за колонкою, і записує знайдені символи. Рядки одного абзацу об’єднуються, а абзаци розділяються порожнім рядком. Текст кожної сторінки йде слідом за попередньою, тож розділ читається як суцільний уривок.
Усе візуальне відкидається: шрифти, розміри, кольори, зображення, діаграми й розташування тексту на сторінці. У цьому й суть. Звіт на 10 MB, повний фотографій, зазвичай стає текстовим файлом у кілька сотень кілобайтів, який легше шукати, порівнювати між версіями інструментом diff або вставляти в засіб перекладу чи аналізу.
Користувачі командного рядка, можливо, знають pdftotext із проєктів Poppler і Xpdf, який виконує схожу роботу з цифровими PDF. Тут відмінність у OCR: сторінки без текстового шару розпізнаються вибраною вами мовою, а не виходять порожніми. Для зображень, які взагалі не є PDF, скористайтеся розпізнаванням тексту із зображення.
Простий текст, Markdown чи Word: який формат вибрати
Простий текст
Лише слова, UTF-8.
- Найменший файл
- Відкривається будь-де
- Без заголовків і форматування
Markdown
Текст із легкою розміткою.
- Заголовки позначені символом #
- Списки й жирний текст збережено
- Усе ще текстовий файл
Документ Word
Повна редаговна верстка.
- Таблиці й зображення збережено
- Стилі збережено
- Потрібен текстовий процесор
Чому текстовий файл такий малий
1 байтна одну англійську літеру, цифру або пробіл у текстовому файлі UTF-8
Portable Document Format
PDF створила Adobe у 1993 році, а у 2008-му він став відкритим стандартом ISO 32000. Він фіксує текст, шрифти, зображення й верстку, щоб документ виглядав однаково на кожному екрані та принтері. PDF можуть містити форми, підписи, посилання, вкладення й текст із пошуком, а варіант PDF/A застосовують для довгострокового архівування. Через фіксовану верстку PDF важко редагувати, а скановані PDF містять лише зображення, доки не застосовано OCR. Їх відкриває кожен браузер і операційна система.
- Стиснення
- –
- Прозорість
- Так
- Анімація
- Ні
- Рік появи
- 1993 · Adobe
TXT
Простий текст
Файл TXT містить лише звичайні символи без форматування, шрифтів, зображень чи макета. Сучасні текстові файли зазвичай кодуються в UTF-8, що охоплює всі мови, хоча старіші можуть мати інші кодування й показувати нечитабельні символи. Простий текст дуже малий, ніколи не застаріває та відкривається на будь-якому пристрої — від телефонів до серверів. У ньому не можна зберегти жирний шрифт, таблиці чи картинки, тож структуру доводиться передавати відступами або простою розміткою.
- Стиснення
- –
- Прозорість
- –
- Анімація
- –
- Рік появи
- –
Простий текст витягують із PDF, коли потрібні лише слова: для пошуку, цитування, перекладу, очищення даних чи передавання іншій програмі, а верстка тільки заважає.
Поширені запитання про PDF у текст
Чому не можна просто скопіювати й вставити текст з PDF?
Для одного-двох абзаців можна, але копіювання з переглядача PDF часто розриває слова наприкінці рядків, плутає колонки, вставляє колонтитули посеред речень і зовсім не працює на відсканованих сторінках. Витягнення читає весь файл у порядку читання та запускає OCR там, де немає текстового шару.
Яке кодування має текстовий файл?
UTF-8 — кодування, яке за замовчуванням використовують інтернет і більшість програм. Блокнот Windows зберігає нові файли в UTF-8 за замовчуванням, починаючи з Windows 10 версії 1903, а macOS TextEdit, VS Code і кожен браузер відкривають його без запитів. Якщо стара програма показує дивні символи, пошукайте в ній параметр імпорту, що дає змогу вибрати UTF-8.
TXT і інструмент «PDF у TXT» — це одне й те саме?
Результат однаковий: файл .txt. Ця сторінка зосереджена на тому, щоб дістати текст для повторного використання; PDF у TXT — це те саме перетворення під назвою за розширенням файлу, яку також шукають.
Що відбувається з таблицями?
Клітинки таблиць записуються в порядку читання, розділені табуляціями, тож таблиця досить добре вставляється в електронну таблицю. Якщо ви конвертуєте саме заради таблиць, PDF в Excel зберігає рядки й стовпці в справжніх клітинках.
Чи можна отримати текст із позначеними заголовками?
У простому тексті немає способу позначити заголовок. Виберіть Markdown у полі Конвертувати в, якщо хочете, щоб заголовки, списки та жирний текст були позначені простими символами, а файл залишався текстовим.
Чи розпізнається рукописний текст зі скану?
OCR розрахований на друкований текст. Акуратні великі друковані літери часто розпізнаються, але рукописне письмо нерозбірливе для нього. Найкращі результати дають надруковані або набрані скани з роздільною здатністю 300 dpi.
| PDF у Markdown | PDF у Word | PDF в EPUB |
| TXT у PDF | Зображення в текст | HTML у TXT |
