pdfMB

PDF în text

Scoateți tot textul dintr-un PDF, în ordinea de citire și unit în paragrafe. Copiați-l sau descărcați un fișier .txt. Fișierul rămâne pe acest dispozitiv.

  • Fără încărcareFișierul rămâne pe acest dispozitiv.
  • Originalul rămâne neschimbatDescărcați o copie nouă. Fișierul dvs. nu este modificat niciodată.
  • Gratuit, fără contFără cont și fără limită zilnică.

Ce se întâmplă cu fișierul dvs.

Tot ce urmează se petrece în browser, pe propriul dispozitiv. PDF-ul nu este încărcat, deci nimeni altcineva, nici noi, nu îl poate vedea.

  1. Browserul deschide PDF-ul cu pdf.js, cititorul PDF integrat în Firefox, și citește fiecare bucată de text împreună cu poziția și mărimea.
  2. Bucățile de text de pe același rând sunt unite în rânduri, iar rândurile în paragrafe, ca să nu primiți un rând nou forțat la fiecare câteva cuvinte. Cuvintele despărțite cu cratimă la capăt de rând sunt unite la loc.
  3. Paginile cu două sau trei coloane sunt citite coloană cu coloană. Copierea dintr-un cititor PDF amestecă adesea coloanele rând cu rând.
  4. Rândurile care se repetă în partea de sus sau de jos a majorității paginilor, cum ar fi titlurile curente și numerele de pagină, pot fi eliminate ca să nu întrerupă propozițiile.
  5. Fiecare rând de tabel ajunge pe o linie, cu celulele separate prin taburi, ca să se lipească în coloanele potrivite dintr-o foaie de calcul.
  6. Unele PDF-uri, adesea cele salvate dintr-un browser web, marchează anumite caractere ca „niciun caracter”. În thailandeză acestea sunt de obicei semne de ton de deasupra vocalelor. pdfMB le reface din fonturile aflate în fișierul dvs.
  7. Paginile fără text, cum ar fi scanările, pot fi citite cu același motor OCR ca „OCR PDF”. Se descarcă doar datele de limbă, o singură dată.
  8. Fișierul .txt este salvat pe dispozitivul dvs. în UTF-8, ca orice limbă să fie păstrată, sau textul este copiat în clipboard.
Pe scurt
  1. Alegeți un PDF
  2. Apăsați „Convertește în text”
  3. Verificați previzualizarea
  4. Copiați textul sau descărcați fișierul .txt

Cum scoateți textul dintr-un PDF

  1. Alegeți un PDF sau trageți-l în casetă. pdfMB citește fiecare pagină și vă spune dacă unele pagini sunt scanări fără text.
  2. Dacă există pagini scanate, lăsați activată opțiunea „Citește textul paginilor scanate (OCR)” și alegeți limba documentului.
  3. Apăsați „Convertește în text”. O bară arată cât a avansat.
  4. Verificați previzualizarea. Puteți păstra sau elimina antetele și subsolurile, marca unde încep paginile sau trece la Markdown ca să păstrați titlurile și tabelele.
  5. Apăsați „Copiază tot” ca să lipiți textul în altă parte, sau descărcați fișierul .txt.

De ce textul thailandez copiat pierde adesea semnele de ton

Fonturile thailandeze au forme suplimentare pentru semnele de ton: una ridicată, care stă deasupra unei vocale superioare, ca în ที่ sau น้ำ, și una normală. PDF-ul păstrează ce formă a fost desenată, plus un tabel care spune ce literă reprezintă fiecare formă.

Când un PDF este salvat din Chrome, Edge și alte browsere bazate pe Chromium, acel tabel spune adesea că formele ridicate nu reprezintă „nimic”. La copierea textului, sau într-un instrument care are încredere în tabel, semnul dispare, iar น้ำ (apă) devine นำ (a conduce).

În testul nostru cu un articol de 35 de pagini din Wikipedia în thailandeză, salvat din Chrome, 1.915 semne de ton erau marcate astfel. pdfMB găsește semnul corect în fontul din fișier, iar toate cele 4.911 semne de ton au fost păstrate.

Când îl folosesc oamenii

Refolosirea a ce ați scris

Scoateți textul unui raport vechi, al unei scrisori sau al unui CV din PDF ca să îl editați în orice program.

Traducere

Lipiți paragrafe întregi într-un traducător, în loc de rânduri care se opresc la jumătatea propoziției.

Căutare și numărare

Căutați într-un document lung, numărați cuvintele sau comparați două versiuni într-un editor de text.

Documente în thailandeză

Copiați text thailandez care își păstrează semnele de ton, chiar și din PDF-uri salvate dintr-un browser.

Ce nu poate face

  • Se păstrează doar textul. Imaginile, graficele și desenele sunt omise. Folosiți „PDF în JPG” ca să le salvați.
  • Aldinul, cursivul, titlurile și linkurile devin text obișnuit. Folosiți „PDF în Markdown” ca să le păstrați.
  • Poziția exactă a textului pe pagină nu se păstrează. Textul din casete și margini este pus în fluxul paragrafelor.
  • Ecuațiile ies ca text simplu, cu exponenții și indicii pe același rând.
  • Limbile scrise de la dreapta la stânga, cum ar fi araba și ebraica, nu au fost încă testate suficient. Verificați cu atenție rezultatul.
  • PDF-urile cu parolă și cele la care proprietarul a blocat copierea nu pot fi convertite.

Întrebări despre conversia PDF în text

Este încărcat PDF-ul meu?

Nu. pdfMB citește fișierul în browser și acesta nu părăsește niciodată dispozitivul dvs. Puteți verifica asta în instrumentele de rețea ale browserului.

De ce să nu copiez pur și simplu din cititorul PDF?

Majoritatea cititoarelor copiază rând cu rând, așa că fiecare rând se termină cu o întrerupere, coloanele se amestecă, iar cuvintele despărțite cu cratimă rămân rupte. pdfMB unește rândurile în paragrafe, citește coloanele în ordine și poate omite antetele și numerele de pagină.

Se păstrează semnele de ton thailandeze?

Da. pdfMB reface și semnele de ton pe care unele PDF-uri le marchează ca „niciun caracter”. În testul nostru, toate cele 4.911 semne de ton ale unui articol thailandez de 35 de pagini au fost păstrate.

Poate citi un PDF scanat?

Da. Activați OCR și alegeți limba. Verificați rezultatul, pentru că OCR poate citi greșit nume și cifre.

Ce codificare are fișierul .txt?

UTF-8, pe care îl deschide orice editor modern, inclusiv Notepad, TextEdit și VS Code. Toate limbile și simbolurile sunt păstrate.

Există o limită de pagini sau de mărime?

Nu există o limită fixă. Documentele lungi durează mai mult, iar fișierele foarte mari pot epuiza memoria pe unele telefoane.