pdfMB

PDF naar tekst

Haal alle tekst uit een PDF, in leesvolgorde en samengevoegd tot alinea’s. Kopieer het of download een .txt-bestand. Je bestand blijft op dit apparaat.

  • Geen uploadJe bestand blijft op dit apparaat.
  • Je origineel blijft ongewijzigdJe downloadt een nieuwe kopie. Je bestand wordt nooit aangepast.
  • Gratis, zonder accountGeen account en geen daglimiet.

Wat er met je bestand gebeurt

Alles hieronder gebeurt in je browser, op je eigen apparaat. De PDF wordt niet geüpload, dus niemand anders, ook wij niet, kan hem zien.

  1. Je browser opent de PDF met pdf.js, de PDF-viewer die in Firefox zit, en leest elk stukje tekst met de positie en de grootte.
  2. Stukjes tekst op dezelfde regel worden samengevoegd tot regels, en regels tot alinea’s, zodat je niet om de paar woorden een harde regelovergang krijgt. Woorden die aan het eind van een regel met een koppelteken zijn afgebroken, worden weer aan elkaar gezet.
  3. Pagina’s met twee of drie kolommen worden kolom voor kolom gelezen. Kopiëren uit een PDF-viewer haalt de kolommen vaak regel voor regel door elkaar.
  4. Regels die bovenaan of onderaan de meeste pagina’s terugkomen, zoals lopende titels en paginanummers, kunnen worden weggehaald, zodat ze geen zinnen onderbreken.
  5. Tabellen krijgen één rij per regel, met de cellen gescheiden door tabs, zodat ze in een spreadsheet in de juiste kolommen terechtkomen.
  6. Sommige PDF’s, vaak die vanuit een webbrowser zijn opgeslagen, markeren bepaalde tekens als ‘geen teken’. In het Thai zijn dat meestal toontekens boven klinkers. pdfMB bouwt ze opnieuw op uit de lettertypen in je bestand.
  7. Pagina’s zonder tekst, zoals scans, kunnen gelezen worden met dezelfde OCR-engine als ‘OCR PDF’. Alleen de taalgegevens worden gedownload, één keer.
  8. Het .txt-bestand wordt als UTF-8 op je apparaat opgeslagen, zodat elke taal goed doorkomt, of de tekst wordt naar je klembord gekopieerd.
In het kort
  1. Kies een PDF
  2. Druk op ‘Omzetten naar tekst’
  3. Controleer het voorbeeld
  4. Kopieer het of download het .txt-bestand

Zo haal je de tekst uit een PDF

  1. Kies een PDF of sleep hem naar het vak. pdfMB leest elke pagina en vertelt je of er pagina’s bij zitten die scans zonder tekst zijn.
  2. Zijn er gescande pagina’s, laat ‘Tekst van gescande pagina’s lezen (OCR)’ dan aan staan en kies de taal van het document.
  3. Druk op ‘Omzetten naar tekst’. Een balk laat zien hoe ver het is.
  4. Bekijk het voorbeeld. Je kunt kop- en voetteksten houden of weghalen, aangeven waar pagina’s beginnen, of overschakelen naar Markdown om koppen en tabellen te houden.
  5. Druk op ‘Alles kopiëren’ om de tekst ergens anders te plakken, of download het .txt-bestand.

Waarom gekopieerde Thaise tekst vaak toontekens kwijtraakt

Thaise lettertypen hebben extra vormen voor toontekens: een verhoogde die boven een bovenklinker staat, zoals in ที่ of น้ำ, en een gewone. De PDF bewaart welke vorm er getekend is, plus een tabel die zegt voor welke letter elke vorm staat.

Als een PDF wordt opgeslagen vanuit Chrome, Edge en andere Chromium-browsers, staat in die tabel vaak dat de verhoogde vormen voor ‘niets’ staan. Bij kopiëren, of in een tool die de tabel gelooft, valt het teken weg, en น้ำ (water) wordt นำ (leiden).

In onze test met een Thais Wikipedia-artikel van 35 pagina’s, opgeslagen vanuit Chrome, waren 1.915 toontekens zo gemarkeerd. pdfMB vindt het juiste teken in het lettertype in het bestand, en alle 4.911 toontekens kwamen goed door.

Wanneer mensen het gebruiken

Hergebruiken wat je schreef

Haal de tekst van een oud rapport, een brief of een cv uit de PDF om hem in elk programma te bewerken.

Vertalen

Plak hele alinea’s in een vertaler, in plaats van regels die halverwege een zin ophouden.

Zoeken en tellen

Doorzoek een lang document, tel woorden of vergelijk twee versies in een teksteditor.

Thaise documenten

Kopieer Thaise tekst die zijn toontekens houdt, ook uit PDF’s die vanuit een webbrowser zijn opgeslagen.

Wat het niet kan

  • Alleen tekst blijft over. Afbeeldingen, grafieken en tekeningen vallen weg. Gebruik ‘PDF naar JPG’ om ze op te slaan.
  • Vet, cursief, koppen en links worden gewone tekst. Gebruik ‘PDF naar Markdown’ om ze te houden.
  • De precieze plek van tekst op de pagina blijft niet behouden. Tekst in kaders en marges komt in de lopende alinea’s terecht.
  • Formules komen eruit als gewone tekst, met superscript en subscript op dezelfde regel.
  • Talen die van rechts naar links lopen, zoals Arabisch en Hebreeuws, zijn nog niet genoeg getest. Controleer het resultaat zorgvuldig.
  • PDF’s met een wachtwoord, en PDF’s waarvan de eigenaar kopiëren heeft geblokkeerd, kunnen niet omgezet worden.

Vragen over PDF naar tekst omzetten

Wordt mijn PDF geüpload?

Nee. pdfMB leest het bestand in je browser en het verlaat je apparaat nooit. Je kunt dit controleren in de netwerktools van je browser.

Waarom niet gewoon kopiëren uit mijn PDF-viewer?

De meeste viewers kopiëren regel voor regel, dus elke regel eindigt met een overgang, kolommen raken door elkaar en afgebroken woorden blijven gesplitst. pdfMB voegt regels samen tot alinea’s, leest kolommen in volgorde en kan kopteksten en paginanummers weglaten.

Blijven Thaise toontekens behouden?

Ja. pdfMB herstelt ook toontekens die sommige PDF’s als ‘geen teken’ markeren. In onze test bleven alle 4.911 toontekens van een Thais artikel van 35 pagina’s behouden.

Kan het een gescande PDF lezen?

Ja. Zet OCR aan en kies de taal. Controleer het resultaat, want OCR kan namen en getallen verkeerd lezen.

Welke codering heeft het .txt-bestand?

UTF-8, dat elke moderne editor opent, ook Notepad, TextEdit en VS Code. Alle talen en symbolen blijven behouden.

Is er een limiet voor het aantal pagina’s of de grootte?

Er is geen vaste limiet. Lange documenten duren langer, en heel grote bestanden kunnen op sommige telefoons het geheugen vol laten lopen.