Ekstraktor tekstu z PDF

Lokalne wyodrębnianie zaznaczalnego tekstu z PDF

Kopiowanie tekstu z pliku PDF nie zawsze jest wygodne, zwłaszcza gdy dokument ma wiele stron albo potrzebujesz tekstu w zwykłym edytorze. To narzędzie PDF na tekst odczytuje zaznaczalny tekst z każdej strony i umieszcza go w jednym polu tekstowym, które możesz skopiować lub pobrać jako plik TXT. Działa w całości w Twojej przeglądarce dzięki pdfjs-dist, więc źródłowy plik PDF nie jest wysyłany ani przechowywany przez zewnętrzną usługę. Ekstraktor przydaje się przy notatkach z badań, cytatach, umowach, raportach, fakturach, instrukcjach i każdym pliku PDF, który ma już warstwę tekstową.

Zaznaczalny tekst a zeskanowane obrazy

Pliki PDF mogą przechowywać tekst na różne sposoby. PDF utworzony cyfrowo, na przykład wyeksportowany z edytora tekstu, zwykle zawiera prawdziwy, zaznaczalny tekst. Zeskanowany PDF może zawierać wyłącznie obrazy stron. Jeśli skan został już przetworzony przez OCR, wyodrębnianie tekstu może zadziałać, ponieważ warstwa OCR jest ukryta pod obrazem. Jeśli plik zawiera tylko obrazy, to narzędzie nie wymyśli tekstu z pikseli; najpierw uruchom OCR, a potem wyodrębnij powstałą warstwę tekstową. Przeglądarka wczytuje dokument z pamięci lokalnej, pobiera z każdej strony jej zawartość tekstową i łączy wyniki z etykietami stron.

Porządkowanie wyodrębnionego tekstu

Kolejność tekstu w pliku PDF zależy od tego, jak zbudowano oryginalny plik. Proste strony zwykle wyodrębniają się czysto, natomiast układy wielokolumnowe, tabele, nagłówki, stopki i obrócony tekst mogą wymagać ręcznego uporządkowania. Sprawdź wynik, zanim go zacytujesz lub wykorzystasz ponownie. Narzędzie dodaje separatory stron, dzięki czemu możesz odnaleźć tekst na stronie źródłowej i poprawić podziały wierszy lub odstępy, które nie odpowiadają pierwotnej kolejności czytania. Wynik to zwykły tekst, który łatwo wkleić do dokumentu, przeszukać w edytorze kodu, użyć w innym lokalnym procesie lub zapisać obok oryginalnego pliku PDF.