PDF na tekst online - wyodrębnij tekst z pliku PDF

Większość plików PDF tworzonych z edytorów tekstu (Word, Google Docs), systemów księgowych i przeglądarek zawiera warstwę tekstową - to ją odczytuje to narzędzie, zachowując kolejność wierszy i akapitów w takiej postaci, w jakiej zapisał ją dokument.

Skany i zdjęcia dokumentów (z drukarki wielofunkcyjnej, aplikacji skanującej w telefonie) są obrazami - nie mają tekstu, który można odczytać. Takie pliki wymagają OCR (optycznego rozpoznawania znaków), którego to narzędzie nie zapewnia. Gdy wykryje brak tekstu, wyświetli odpowiedni komunikat. Szybki test: jeśli w przeglądarce nie da się zaznaczyć myszą słów w PDF, to prawdopodobnie jest skan.

W PDF każdy wiersz tekstu jest zapisany osobno, więc skopiowanie akapitu zwykle daje „drabinkę” krótkich linii. Opcja Scal złamane wiersze skleja wiersze należące do jednego akapitu (po linii kończącej się kropką, dwukropkiem lub wykrzyknikiem następny wiersz zaczyna się od nowej linii) i łączy wyrazy dzielone myślnikiem na końcu wiersza, np. „praw-” + „dziwy” → „prawdziwy”. Pozycje listy (myślnik, punktor, „1.”) zachowują osobne linie.

Jeśli dokument to tabela, formularz lub kod, wyłącz scalanie - wtedy układ wierszy pozostanie taki, jak w dokumencie.

Opcja Dodaj nagłówki stron wstawia przed tekstem każdej strony wiersz --- Strona 3 ---. Przydaje się, gdy cytujesz dokument i musisz wskazać, skąd pochodzi fragment, albo gdy szukasz strony, na której był dany zapis. Bez nagłówków puste strony są pomijane, a tekst kolejnych stron oddziela pusta linia.

Pod wynikiem widać liczbę słów, znaków i stron - np. 12-stronicowa umowa to zwykle ok. 4-5 tys. słów. Jeśli strony bez tekstu to tylko część dokumentu (np. podpisany skan ostatniej strony), narzędzie pokaże ostrzeżenie, że te strony mogą wymagać OCR. Gdy cały plik ma średnio mniej niż ok. 15 znaków na stronę, zostanie uznany za skan.

Wyodrębniony tekst możesz dalej obrobić, np. policzyć znaki lub porównać dwie wersje umowy.

• Tekst jest wyodrębniany w Twojej przeglądarce za pomocą pdf.js - dokument nie opuszcza urządzenia.
• Układ kolumn, tabel i przypisów może zostać odczytany w innej kolejności niż na stronie - to cecha formatu PDF, który nie przechowuje „akapitów”, lecz pozycje fragmentów tekstu.
• Znaki specjalne i polskie litery są zachowane (UTF-8). Zdarza się, że PDF ma uszkodzone mapowanie czcionek - wtedy zamiast liter pojawiają się dziwne znaki, i jedynym wyjściem jest OCR.