pdfMB

PDF σε κείμενο

Πάρτε όλο το κείμενο ενός PDF, με τη σειρά ανάγνωσης και ενωμένο σε παραγράφους. Αντιγράψτε το ή κατεβάστε ένα αρχείο .txt. Το αρχείο σας μένει σε αυτή τη συσκευή.

  • Χωρίς ανέβασμαΤο αρχείο σας μένει στη συσκευή σας.
  • Το πρωτότυπο μένει όπως είναιΚατεβάζετε ένα νέο αντίγραφο. Το αρχείο σας δεν αλλάζει.
  • Δωρεάν, χωρίς εγγραφήΧωρίς λογαριασμό και χωρίς ημερήσιο όριο.

Τι γίνεται με το αρχείο σας

Όλα όσα περιγράφονται παρακάτω γίνονται μέσα στο πρόγραμμα περιήγησής σας, στη δική σας συσκευή. Το PDF δεν ανεβαίνει, οπότε κανείς άλλος, ούτε εμείς, δεν μπορεί να το δει.

  1. Το πρόγραμμα περιήγησης ανοίγει το PDF με το pdf.js, το πρόγραμμα προβολής PDF που είναι ενσωματωμένο στον Firefox, και διαβάζει κάθε κομμάτι κειμένου μαζί με τη θέση και το μέγεθός του.
  2. Τα κομμάτια κειμένου της ίδιας γραμμής ενώνονται σε γραμμές και οι γραμμές σε παραγράφους, ώστε να μην έχετε αλλαγή γραμμής κάθε λίγες λέξεις. Οι λέξεις που κόπηκαν με ενωτικό στο τέλος της γραμμής ενώνονται ξανά.
  3. Οι σελίδες με δύο ή τρεις στήλες διαβάζονται μία στήλη τη φορά. Η αντιγραφή από ένα πρόγραμμα προβολής PDF συχνά ανακατεύει τις στήλες γραμμή προς γραμμή.
  4. Οι γραμμές που επαναλαμβάνονται στο πάνω ή στο κάτω μέρος των περισσότερων σελίδων, όπως τρέχοντες τίτλοι και αριθμοί σελίδων, μπορούν να αφαιρεθούν, ώστε να μη διακόπτουν τις προτάσεις.
  5. Οι πίνακες γίνονται μία σειρά ανά γραμμή, με τα κελιά χωρισμένα με στηλοθέτες, ώστε να επικολλώνται σε υπολογιστικό φύλλο στις σωστές στήλες.
  6. Ορισμένα PDF, συχνά όσα αποθηκεύτηκαν από πρόγραμμα περιήγησης, σημειώνουν κάποιους χαρακτήρες ως «κανένας χαρακτήρας». Στα ταϊλανδικά αυτοί είναι συνήθως τονικά σημάδια πάνω από φωνήεντα. Το pdfMB τα ανακατασκευάζει από τις γραμματοσειρές μέσα στο αρχείο σας.
  7. Οι σελίδες χωρίς κείμενο, όπως οι σαρώσεις, μπορούν να διαβαστούν με την ίδια μηχανή OCR με το OCR PDF. Κατεβαίνουν μόνο τα δεδομένα γλώσσας, μία φορά.
  8. Το αρχείο .txt αποθηκεύεται στη συσκευή σας ως UTF-8, ώστε να περνά σωστά κάθε γλώσσα, ή το κείμενο αντιγράφεται στο πρόχειρο.
Εν συντομία
  1. Επιλέξτε ένα PDF
  2. Πατήστε «Μετατροπή σε κείμενο»
  3. Ελέγξτε την προεπισκόπηση
  4. Αντιγράψτε το ή κατεβάστε το αρχείο .txt

Πώς να βγάλετε το κείμενο από ένα PDF

  1. Επιλέξτε ένα PDF ή αφήστε το στο πλαίσιο. Το pdfMB διαβάζει κάθε σελίδα και σας λέει αν κάποιες είναι σαρώσεις χωρίς κείμενο.
  2. Αν υπάρχουν σαρωμένες σελίδες, αφήστε ενεργό το «Ανάγνωση κειμένου σαρωμένων σελίδων (OCR)» και διαλέξτε τη γλώσσα του εγγράφου.
  3. Πατήστε «Μετατροπή σε κείμενο». Μια μπάρα δείχνει πόσο έχει προχωρήσει.
  4. Δείτε την προεπισκόπηση. Μπορείτε να κρατήσετε ή να αφαιρέσετε κεφαλίδες και υποσέλιδα, να σημειώσετε πού ξεκινά κάθε σελίδα ή να αλλάξετε σε Markdown για να κρατήσετε επικεφαλίδες και πίνακες.
  5. Πατήστε «Αντιγραφή όλων» για να επικολλήσετε το κείμενο αλλού ή κατεβάστε το αρχείο .txt.

Γιατί το αντιγραμμένο ταϊλανδικό κείμενο χάνει συχνά τα τονικά σημάδια

Οι ταϊλανδικές γραμματοσειρές έχουν επιπλέον σχήματα για τα τονικά σημάδια: ένα ανυψωμένο, που κάθεται πάνω από ένα επάνω φωνήεν, όπως στα ที่ ή น้ำ, και ένα κανονικό. Το PDF αποθηκεύει ποιο σχήμα σχεδιάστηκε, μαζί με έναν πίνακα που λέει ποιο γράμμα αντιστοιχεί σε κάθε σχήμα.

Όταν ένα PDF αποθηκεύεται από τον Chrome, τον Edge και άλλα προγράμματα περιήγησης Chromium, αυτός ο πίνακας συχνά λέει ότι τα ανυψωμένα σχήματα δεν αντιστοιχούν σε «τίποτα». Η αντιγραφή του κειμένου, ή ένα εργαλείο που εμπιστεύεται τον πίνακα, χάνει το σημάδι, και το น้ำ (νερό) γίνεται นำ (οδηγώ).

Στη δοκιμή μας με ένα ταϊλανδικό άρθρο της Βικιπαίδειας 35 σελίδων, αποθηκευμένο από τον Chrome, 1.915 τονικά σημάδια ήταν σημειωμένα με αυτόν τον τρόπο. Το pdfMB βρίσκει το σωστό σημάδι στη γραμματοσειρά μέσα στο αρχείο, και διατηρήθηκαν και τα 4.911 τονικά σημάδια.

Πότε το χρησιμοποιούν

Ξαναχρησιμοποιήστε ό,τι γράψατε

Βγάλτε το κείμενο μιας παλιάς αναφοράς, επιστολής ή βιογραφικού από το PDF για να το επεξεργαστείτε σε οποιοδήποτε πρόγραμμα.

Μετάφραση

Επικολλήστε ολόκληρες παραγράφους σε έναν μεταφραστή, αντί για γραμμές που σταματούν στη μέση της πρότασης.

Αναζήτηση και καταμέτρηση

Ψάξτε σε ένα μεγάλο έγγραφο, μετρήστε λέξεις ή συγκρίνετε δύο εκδόσεις σε έναν επεξεργαστή κειμένου.

Ταϊλανδικά έγγραφα

Αντιγράψτε ταϊλανδικό κείμενο που κρατά τα τονικά του σημάδια, ακόμη και από PDF που αποθηκεύτηκαν από πρόγραμμα περιήγησης.

Τι δεν μπορεί να κάνει

  • Κρατιέται μόνο το κείμενο. Οι εικόνες, τα διαγράμματα και τα σχέδια παραλείπονται. Χρησιμοποιήστε το PDF σε JPG για να τα αποθηκεύσετε.
  • Τα έντονα, τα πλάγια, οι επικεφαλίδες και οι σύνδεσμοι γίνονται απλό κείμενο. Χρησιμοποιήστε το PDF σε Markdown για να τα κρατήσετε.
  • Η ακριβής θέση του κειμένου στη σελίδα δεν διατηρείται. Το κείμενο σε πλαίσια και περιθώρια μπαίνει στη ροή των παραγράφων.
  • Οι εξισώσεις βγαίνουν ως απλό κείμενο, με τους εκθέτες και τους δείκτες στην ίδια γραμμή.
  • Οι γλώσσες που γράφονται από δεξιά προς τα αριστερά, όπως τα αραβικά και τα εβραϊκά, δεν έχουν δοκιμαστεί ακόμη αρκετά. Ελέγξτε προσεκτικά το αποτέλεσμα.
  • Τα PDF με κωδικό πρόσβασης και τα PDF των οποίων ο κάτοχος έχει μπλοκάρει την αντιγραφή δεν μπορούν να μετατραπούν.

Ερωτήσεις για τη μετατροπή PDF σε κείμενο

Ανεβαίνει το PDF μου;

Όχι. Το pdfMB διαβάζει το αρχείο μέσα στο πρόγραμμα περιήγησής σας και αυτό δεν φεύγει ποτέ από τη συσκευή σας. Μπορείτε να το ελέγξετε στα εργαλεία δικτύου του προγράμματος περιήγησης.

Γιατί να μην αντιγράψω απλώς από το πρόγραμμα προβολής PDF;

Τα περισσότερα προγράμματα προβολής αντιγράφουν γραμμή προς γραμμή, οπότε κάθε γραμμή τελειώνει με αλλαγή γραμμής, οι στήλες ανακατεύονται και οι λέξεις με ενωτικό μένουν κομμένες. Το pdfMB ενώνει τις γραμμές σε παραγράφους, διαβάζει τις στήλες με τη σειρά και μπορεί να παραλείψει κεφαλίδες και αριθμούς σελίδων.

Κρατά τα ταϊλανδικά τονικά σημάδια;

Ναι. Το pdfMB αποκαθιστά επίσης τα τονικά σημάδια που κάποια PDF σημειώνουν ως «κανένας χαρακτήρας». Στη δοκιμή μας διατηρήθηκαν και τα 4.911 τονικά σημάδια ενός ταϊλανδικού άρθρου 35 σελίδων.

Μπορεί να διαβάσει ένα σαρωμένο PDF;

Ναι. Ενεργοποιήστε το OCR και διαλέξτε τη γλώσσα. Ελέγξτε το αποτέλεσμα, γιατί το OCR μπορεί να διαβάσει λάθος ονόματα και αριθμούς.

Ποια κωδικοποίηση έχει το αρχείο .txt;

UTF-8, που την ανοίγει κάθε σύγχρονος επεξεργαστής, όπως το Notepad, το TextEdit και το VS Code. Διατηρούνται όλες οι γλώσσες και όλα τα σύμβολα.

Υπάρχει όριο σελίδων ή μεγέθους;

Δεν υπάρχει σταθερό όριο. Τα μεγάλα έγγραφα θέλουν περισσότερο χρόνο και τα πολύ μεγάλα αρχεία μπορεί να εξαντλήσουν τη μνήμη σε κάποια κινητά.