pdfMB

PDF papuntang Text

Kunin ang lahat ng text ng isang PDF, sa tamang pagkakasunod at nakaayos sa mga talata. Kopyahin ito o i-download bilang .txt file. Nananatili ang iyong file sa device na ito.

  • Walang uploadNananatili ang file mo sa device na ito.
  • Hindi nagbabago ang orihinalMagda-download ka ng bagong kopya. Hindi binabago ang file mo.
  • Libre, walang sign-upWalang account at walang daily limit.

Ano ang nangyayari sa iyong file

Lahat ng nasa ibaba ay nangyayari sa loob ng iyong browser, sa sarili mong device. Hindi ina-upload ang PDF, kaya walang ibang makakakita nito, kahit kami.

  1. Binubuksan ng iyong browser ang PDF gamit ang pdf.js, ang PDF viewer na nakapaloob sa Firefox, at binabasa ang bawat piraso ng text kasama ang posisyon at laki nito.
  2. Pinagsasama ang mga piraso ng text na nasa iisang linya para maging mga linya, at ang mga linya para maging mga talata, kaya walang biglang line break bawat ilang salita. Pinagdudugtong ulit ang mga salitang hinati ng gitling sa dulo ng linya.
  3. Binabasa nang isang column sa bawat pagkakataon ang mga pahinang may dalawa o tatlong column. Kapag kumopya ka mula sa isang PDF viewer, madalas na naghahalo ang mga column linya por linya.
  4. Puwedeng tanggalin ang mga linyang umuulit sa itaas o ibaba ng karamihan sa mga pahina, gaya ng running title at numero ng pahina, para hindi nila maputol ang mga pangungusap.
  5. Nagiging isang row bawat linya ang mga table, na pinaghihiwalay ng tab ang mga cell, kaya napupunta sa tamang column ang mga ito kapag in-paste sa spreadsheet.
  6. May mga PDF, kadalasan iyong mga sine-save mula sa web browser, na nagmamarka sa ilang character bilang “walang character”. Sa Thai, kadalasan ay mga tone mark ito sa ibabaw ng mga patinig. Binubuo ulit ng pdfMB ang mga ito mula sa mga font sa loob ng iyong file.
  7. Ang mga pahinang walang text, gaya ng mga scan, ay puwedeng basahin gamit ang parehong OCR engine ng OCR PDF. Ang language data lang ang dina-download, nang isang beses.
  8. Sine-save ang .txt file bilang UTF-8 sa iyong device, kaya buo ang bawat wika, o kinokopya ang text sa iyong clipboard.
Sa madaling sabi
  1. Pumili ng PDF
  2. Pindutin ang “I-convert sa text”
  3. Tingnan ang preview
  4. Kopyahin o i-download ang .txt file

Paano kunin ang text ng isang PDF

  1. Pumili ng PDF o i-drop ito sa kahon. Binabasa ng pdfMB ang bawat pahina at sinasabi sa iyo kung may mga pahinang scan na walang text.
  2. Kung may mga na-scan na pahina, iwanang naka-on ang “Basahin ang text ng mga na-scan na pahina (OCR)” at piliin ang wika ng dokumento.
  3. Pindutin ang “I-convert sa text”. May bar na nagpapakita kung gaano na kalayo ang proseso.
  4. Tingnan ang preview. Puwede mong panatilihin o tanggalin ang mga header at footer, markahan kung saan nagsisimula ang mga pahina, o lumipat sa Markdown para mapanatili ang mga heading at table.
  5. Pindutin ang “Kopyahin lahat” para i-paste ang text sa ibang lugar, o i-download ang .txt file.

Bakit madalas mawala ang mga tone mark sa kinopyang Thai na text

May mga dagdag na hugis ang mga Thai na font para sa mga tone mark: isang nakaangat, na nakapatong sa ibabaw ng patinig sa itaas, gaya ng sa ที่ o น้ำ, at isang karaniwan. Iniimbak ng PDF kung aling hugis ang iginuhit, kasama ang isang table na nagsasabi kung aling titik ang katumbas ng bawat hugis.

Kapag sine-save ang PDF mula sa Chrome, Edge at iba pang Chromium browser, madalas sabihin ng table na iyon na “wala” ang katumbas ng mga nakaangat na hugis. Kapag kinopya ang text, o gumamit ng tool na nagtitiwala sa table, nawawala ang tone mark, at nagiging นำ (manguna) ang น้ำ (tubig).

Sa aming pagsubok gamit ang 35-pahinang Thai na artikulo ng Wikipedia na sine-save mula sa Chrome, 1,915 tone mark ang minarkahan nang ganito. Hinahanap ng pdfMB ang tamang tone mark sa font sa loob ng file, at buo ang lahat ng 4,911 tone mark.

Kailan ito ginagamit

Paggamit ulit ng isinulat mo

Kunin mula sa PDF ang text ng isang lumang report, sulat o CV para i-edit ito sa kahit anong program.

Pagsasalin

Mag-paste ng buong talata sa isang translator, sa halip na mga linyang naputol sa gitna ng pangungusap.

Paghahanap at pagbibilang

Maghanap sa mahabang dokumento, magbilang ng salita, o ikumpara ang dalawang bersyon sa isang text editor.

Mga dokumentong Thai

Kumopya ng Thai na text na buo ang mga tone mark, kahit mula sa mga PDF na sine-save mula sa web browser.

Ang hindi nito kayang gawin

  • Text lang ang napapanatili. Hindi kasama ang mga larawan, chart at drawing. Gamitin ang PDF papuntang JPG para i-save ang mga ito.
  • Nagiging karaniwang text ang bold, italic, mga heading at link. Gamitin ang PDF papuntang Markdown para mapanatili ang mga ito.
  • Hindi napapanatili ang eksaktong posisyon ng text sa pahina. Isinasama sa daloy ng mga talata ang text sa mga kahon at margin.
  • Lumalabas bilang simpleng text ang mga equation, at nasa iisang linya ang mga superscript at subscript.
  • Hindi pa sapat na nasusubukan ang mga wikang isinusulat mula kanan pakaliwa, gaya ng Arabic at Hebrew. Suriing mabuti ang resulta.
  • Hindi mako-convert ang mga PDF na may password, at ang mga PDF na hinarangan ng may-ari ang pagkopya.

Mga tanong tungkol sa pag-convert ng PDF sa text

Ina-upload ba ang PDF ko?

Hindi. Binabasa ng pdfMB ang file sa loob ng iyong browser, at hindi ito kailanman umaalis sa iyong device. Puwede mo itong tingnan sa network tools ng iyong browser.

Bakit hindi na lang kumopya mula sa PDF viewer ko?

Kumokopya nang linya por linya ang karamihan sa mga viewer, kaya may break sa dulo ng bawat linya, naghahalo ang mga column at nananatiling hati ang mga salitang may gitling. Pinagdudugtong ng pdfMB ang mga linya sa mga talata, binabasa nang maayos ang mga column at puwedeng alisin ang mga header at numero ng pahina.

Napapanatili ba ang mga tone mark ng Thai?

Oo. Ibinabalik din ng pdfMB ang mga tone mark na minamarkahan ng ilang PDF bilang “walang character”. Sa aming pagsubok, buo ang lahat ng 4,911 tone mark ng isang 35-pahinang Thai na artikulo.

Kaya ba nitong basahin ang na-scan na PDF?

Oo. I-on ang OCR at piliin ang wika. Suriin ang resulta, dahil puwedeng mali ang basa ng OCR sa mga pangalan at numero.

Anong encoding ang .txt file?

UTF-8, na nabubuksan ng lahat ng modernong editor, kasama ang Notepad, TextEdit at VS Code. Napapanatili ang lahat ng wika at simbolo.

May limit ba sa pahina o laki?

Walang nakapirming limit. Mas matagal ang mahahabang dokumento, at puwedeng maubusan ng memory ang ilang phone sa napakalalaking file.