Як витягти текст із PDF

Перетворення PDF текст корисний для пошуку, квоти, огляд доступності, замітка або переміщення вмісту в іншу систему. Результат залежить від того, що PDF містить. Деякі документи мають чистий текстовий шар; інші зберігати гліфи в порядку плутування; скановані сторінки можуть містити тільки зображення і не витяжних символів у всіх випадках.

HatchMyPDF читати існуючі PDF текстовий шар з PDF.js у Вашому браузері. Не завантажуйте документ або надішлемо текст для аналітики. Результатом є читання-тільки попередній перегляд з Копіювати всі та UTF-8 TXT завантажити.

У короткий час:* вибрати PDF, введіть пароль, якщо це потрібно, виберіть всі сторінки або діапазон, вирішіть, чи зберігати стандартні розділи сторінок, витягувати послідовно, переглядати попередній перегляд та завантажувати або копіювати текст.

Вилучення тексту не є OCR

Нормальний цифровий PDF часто містить текстові об'єкти, а також дизайн візуальної сторінки. PDF.js може викладати об'єкти, їх координати, написати напрямок, і підкреслити натяки. Видобуток використовує цю інформацію для додавання розумних просторів та розривів рядків.

Відсканування зображення не має такого текстового шару. Оптичне розпізнавання символів, або OCR, потрібно буде проаналізувати параметри сторінки з моделлю або розпізнаванням двигуна. OCR - поза версією 1. Коли текст не знайдено, інструмент показує певну «поспішно сканувати» стан, а не повертає в оману заготовку.

Якщо ви можете вибрати слова в нормі PDF глядач, екстракція, швидше за все, працює. Вибір не є гарантією: користувацькі кодування, відсутні карти символів, або незвичайна конструкція шрифту все ще може виробляти неповний текст.

Крок за кроком: перетворення PDF до TXT

1. ВідкритіPDF до текстуPDF в текст і вибрати PDF до 50 MB і 1000 сторінок.
2. Введіть пароль PDF.js запитати один. Введіть номер мобільного, який Ви вказали при укладаннi договору з банком - для ідентифікації.
3. Виберіть всі сторінки або введіть діапазон, такі як 2-6,9й
4. Зберігати стандартні сепаратори сторінок, які ввімкнено при низовому програмному забезпеченні, повинні знати, де один PDF Початок сторінки і починається наступна.
5. Початок видобутку. Схожі сторінки, а процес може бути скасований між сторінками.
6. Рецензія на перегляд Скопіювати текст або завантажити UTF-8 TXT файл з позначкою для широкої сумісності редактора.

<blog-post-cta тип="pdfТТекст ></blog-post-ctaГоловна >

За межі сторінки та характер

За замовчуванням, TXT вихід використовує форму корму U+000C між сторінками. Форма корму - це стандартний стандартний контрольний характер, історично пов'язаний з перерву сторінок. Багато редакторів відображають його як білий простір або спеціальний символ, тому HatchMyPDF Показує видимий дивідектор «Page break» у попередньому перегляді замість розкладання неоднорідної заготовки.

Вимкнені сепаратори сторінок, коли результат повинен бути Потім інструмент приєднується сторінки з звичайними порожніми лініями. Вибір ефіру втрачає точну візуальну геометрію PDF до TXT зберігає символи та лінійні перерви, не позиціонують об'єкти сторінок.

Вихід обмежений 10 мільйонів символів або 20 Мб UTF-8 дані. Це запобігає незвично великим або неправильним текстовим шаром від споживаної непідйомної пам'яті браузера. Про нас PDF вводу і обмеження сторінок все ще застосовуються окремо.

Колонки, столи та порядок читання

PDF – формат презентації. Сторінка може малювати правий стовпчик перед лівим стовпчиком, розташувати кожну літеру окремо, або посадити таблиці клітин без структури мантичного ряду. Візуальний результат може виглядати коректно, коли внутрішній порядок об’єкта не є природним замовленням читання.

Витяжка розглядає текстові елементи, hasEOL підказки, координати, місця та напрямки написання. Це може зробити корисний звичайний текст для спільних документів, в тому числі правого вліво, але це не реконструювати документ Word, таблицю або доступні позначеніPDF структура. Колонки можуть пересуватися, настільні клітини можуть розплавитися, а заголовки або нижній колонтитул може з'явитися в середині проходу.

Для візуального збереження, а не повторення тексту, PDF у зображення експорт наданих сторінок. Зображення зберігають зовнішній вигляд, але не створюють редагування тексту і не повинні плутати з вилученням.

Захист PDFs і конфіденційність

Читання захищеного документа не змінює його, тому інструмент не потрібно перешифрувати вихід PDFй Для відкриття локального PDF.js сеанс і очищається при видаленні файлу або закриванні сторінки. Filenames, паролі, витягнутий текст, кількість сторінок, вибрані сторінки та вміст документів виключені з аналітики.

Браузер-локальна обробка не робить кожен буфер обміну або завантажити пункт призначення приватної. Після копіювання тексту, операційна система буфера і будь-яка заявка, де ви вставляєте її частиною потоку даних. Збережіть чутливість TXT Файли тільки до відповідного розташування.

Виправлення несправностей

Інструмент каже, що PDF може бути сканування

Відкрийте файл у програмі перегляду та намагайтеся вибрати індивідуальні слова. Якщо ви підбираєте тільки прямокутник по всій сторінці, сторінка, ймовірно, є образом. OCR необхідний і не входить в цей інструмент.

Слова разом або мають несподівані місця

PDF текстове позиціонування не завжди записує нормальні межі слів. Видобуток оцінює пробіли з елементів координат і підказок лінії. Призначені для користувача шрифти або індивідуально налаштовані гліфи ще можуть виробляти незвичайні результати. Порівняйте важливі цитати з видимим джерелом.

Колонки або таблиці з'являються в неправильному порядку

Це обмеження звичайного тексту і PDF замовлення креслення. Вилучення меншого діапазону сторінок, копіювання розділів окремо, або використання спеціалізованого столу/document перетворення робочого процесу при структурних питаннях.

Деякі сторінки порожні, в той час як інші роботи

Р PDF може перемішати цифрові сторінки і сканування зображень. Витяжка повертає текст для сторінок з підтриманим текстовим шаром і зберігає межі сторінок за порожніми результатами. Використання Упорядкуйте сторінки PDF при порожніх або небажаних сторінках слід видалити з окремої робочої копії перед вилученням.

Огляд до повторного використання

Треат вилучення TXT як робоче представництво, не уповноважена заміна на PDFй Перевірити імена, номери, пунктуація, порядок читання та сторінку, де було задано цитату. Зберігайте оригінальні для розділів сторінок контексту та використовуйте при проблемах простеження.