pdfMB

Da PDF a testo

Estrai tutto il testo di un PDF, nell’ordine di lettura e unito in paragrafi. Copialo o scarica un file .txt. Il tuo file resta su questo dispositivo.

  • Nessun caricamentoIl tuo file resta su questo dispositivo.
  • L’originale resta com’èScarichi una copia nuova. Il tuo file non viene mai modificato.
  • Gratis, senza registrazioneNessun account e nessun limite giornaliero.

Cosa succede al tuo file

Tutto quello che leggi qui sotto avviene nel tuo browser, sul tuo dispositivo. Il PDF non viene caricato, quindi nessun altro, nemmeno noi, può vederlo.

  1. Il browser apre il PDF con pdf.js, il visualizzatore PDF integrato in Firefox, e legge ogni pezzo di testo con posizione e dimensione.
  2. I pezzi di testo sulla stessa riga vengono uniti in righe, e le righe in paragrafi, così non ti ritrovi un a capo ogni poche parole. Le parole divise con un trattino a fine riga vengono riunite.
  3. Le pagine a due o tre colonne vengono lette una colonna alla volta. Copiando da un visualizzatore PDF, invece, le colonne spesso si mescolano riga per riga.
  4. Le righe che si ripetono in alto o in basso nella maggior parte delle pagine, come titoli correnti e numeri di pagina, possono essere rimosse perché non interrompano le frasi.
  5. Le tabelle diventano una riga per ogni riga della tabella, con le celle separate da tabulazioni, così incollandole in un foglio di calcolo finiscono nelle colonne giuste.
  6. Alcuni PDF, spesso quelli salvati da un browser web, segnano certi caratteri come «nessun carattere». In thailandese di solito sono segni tonali sopra le vocali. pdfMB li ricostruisce dai font contenuti nel tuo file.
  7. Le pagine senza testo, come le scansioni, possono essere lette con lo stesso motore OCR di OCR PDF. Vengono scaricati solo i dati della lingua, una volta sola.
  8. Il file .txt viene salvato in UTF-8 sul tuo dispositivo, così ogni lingua resta intatta, oppure il testo viene copiato negli appunti.
In breve
  1. Scegli un PDF
  2. Tocca «Converti in testo»
  3. Controlla l’anteprima
  4. Copialo o scarica il file .txt

Come estrarre il testo da un PDF

  1. Scegli un PDF o trascinalo nel riquadro. pdfMB legge ogni pagina e ti dice se ci sono pagine scansionate senza testo.
  2. Se ci sono pagine scansionate, lascia attivo «Leggi il testo delle pagine scansionate (OCR)» e scegli la lingua del documento.
  3. Tocca «Converti in testo». Una barra mostra a che punto è.
  4. Dai un’occhiata all’anteprima. Puoi tenere o rimuovere intestazioni e piè di pagina, segnare dove iniziano le pagine, oppure passare a Markdown per conservare titoli e tabelle.
  5. Tocca «Copia tutto» per incollare il testo altrove, oppure scarica il file .txt.

Perché il testo thailandese copiato perde spesso i segni tonali

I font thailandesi hanno forme in più per i segni tonali: una rialzata, che sta sopra una vocale alta, come in ที่ o น้ำ, e una normale. Il PDF memorizza quale forma è stata disegnata, più una tabella che dice quale lettera rappresenta ogni forma.

Quando un PDF viene salvato da Chrome, Edge e altri browser basati su Chromium, quella tabella spesso dice che le forme rialzate non rappresentano «nulla». Copiando il testo, o con uno strumento che si fida della tabella, il segno si perde, e น้ำ (acqua) diventa นำ (guidare).

Nel nostro test con un articolo di 35 pagine della Wikipedia thailandese salvato da Chrome, 1.915 segni tonali erano segnati così. pdfMB trova il segno giusto nel font contenuto nel file, e sono arrivati tutti i 4.911 segni tonali.

Quando si usa

Riutilizzare quello che hai scritto

Estrai dal PDF il testo di un vecchio report, di una lettera o di un CV per modificarlo con qualsiasi programma.

Tradurre

Incolla paragrafi interi in un traduttore, invece di righe che si interrompono a metà frase.

Cercare e contare

Cerca in un documento lungo, conta le parole o confronta due versioni in un editor di testo.

Documenti in thailandese

Copia testo thailandese che conserva i segni tonali, anche da PDF salvati da un browser web.

Cosa non può fare

  • Viene conservato solo il testo. Immagini, grafici e disegni restano fuori. Usa Da PDF a JPG per salvarli.
  • Grassetto, corsivo, titoli e link diventano testo normale. Usa Da PDF a Markdown per conservarli.
  • La posizione esatta del testo sulla pagina non viene conservata. Il testo nei riquadri e nei margini viene inserito nel flusso dei paragrafi.
  • Le formule escono come testo semplice, con apici e pedici sulla stessa riga.
  • Le lingue che si scrivono da destra a sinistra, come l’arabo e l’ebraico, non sono ancora state testate abbastanza. Controlla il risultato con attenzione.
  • I PDF protetti da password, e quelli in cui il proprietario ha bloccato la copia, non possono essere convertiti.

Domande sulla conversione da PDF a testo

Il mio PDF viene caricato?

No. pdfMB legge il file nel tuo browser, e il file non lascia mai il tuo dispositivo. Puoi verificarlo negli strumenti di rete del browser.

Perché non copiare semplicemente dal mio visualizzatore PDF?

La maggior parte dei visualizzatori copia riga per riga: ogni riga finisce con un a capo, le colonne si mescolano e le parole spezzate dal trattino restano spezzate. pdfMB unisce le righe in paragrafi, legge le colonne in ordine e può tralasciare intestazioni e numeri di pagina.

Conserva i segni tonali thailandesi?

Sì. pdfMB recupera anche i segni tonali che alcuni PDF segnano come «nessun carattere». Nel nostro test sono arrivati tutti i 4.911 segni tonali di un articolo thailandese di 35 pagine.

Può leggere un PDF scansionato?

Sì. Attiva l’OCR e scegli la lingua. Controlla il risultato, perché l’OCR può leggere male nomi e numeri.

Che codifica ha il file .txt?

UTF-8, che qualsiasi editor moderno apre, compresi Notepad, TextEdit e VS Code. Tutte le lingue e i simboli vengono conservati.

C’è un limite di pagine o di dimensione?

Non c’è un limite fisso. I documenti lunghi richiedono più tempo, e i file molto grandi possono esaurire la memoria su alcuni telefoni.