Ekstraktor tekstu z PDF

Narzędzie Ekstraktor tekstu z PDF zamienia plik PDF z powrotem w czysty, łatwy do skopiowania zwykły tekst — bez przesyłania czegokolwiek. Otwórz plik, a narzędzie odczyta warstwę tekstową zapisaną za każdą stroną, odtworzy każdy wiersz na podstawie położenia glifów i przekaże Ci tekst, którego można naprawdę użyć ponownie: strony dwukolumnowe są odczytywane kolumna po kolumnie, zamiast przeplatania kolumn; powtarzające się na każdej stronie tytuły bieżące i numery stron są usuwane; wyrazy podzielone łącznikiem na końcu wiersza są łączone, a twardo zawinięte wiersze są przekształcane w prawdziwe akapity. Potrzebujesz zamiast tego oryginalnych odstępów? Wybierz Zachowaj układ dla tabel, faktur i paragonów albo Surowa kolejność, aby zobaczyć dokładnie to, co przechowuje plik. Wszystko odbywa się w przeglądarce, więc umowy, wyciągi, artykuły i rękopisy nie opuszczają Twojego urządzenia.

Jak wyodrębnić tekst z PDF

1. Otwórz plik PDF. Przeciągnij pliki do obszaru upuszczania lub dotknij Wybierz pliki PDF. Jest odczytywany na Twoim urządzeniu i nigdy nie jest przesyłany. Spieszysz się? Naciśnij Wypróbuj przykładową stronę z dwiema kolumnami, aby od razu zobaczyć działanie narzędzia.
2. Wybierz styl ekstrakcji. Inteligentny przepływ odtwarza akapity i kolejność czytania, Zachowaj układ odtwarza odstępy na stronie, a Surowa kolejność pokazuje niezmieniony wynik ekstrakcji.
3. Wyczyść wynik. Pozostaw włączone opcje Usuń powtarzające się nagłówki i stopki, Łącz wyrazy dzielone łącznikiem oraz Wykrywaj kolumny, a jeśli potrzebujesz tylko części dokumentu, wpisz zakres taki jak 1-5, 12 w polu Strony.
4. Skopiuj lub pobierz. Przeczytaj podgląd, a następnie naciśnij Kopiuj cały tekst albo pobierz wynik jako plik .txt lub Markdown.

Którego stylu ekstrakcji użyć?

Co wyróżnia ten ekstraktor tekstu z PDF

Typowe zastosowania

Cytuj pracę naukową bez przepisywania; przenieś tekst umowy lub leasingu do dokumentu, aby nanosić poprawki; wyodrębnij pozycje z faktury lub wyciągu; przekaż raport do tłumacza, narzędzia podsumowującego lub aplikacji do notatek; odzyskaj słowa z e-booka albo instrukcji na potrzeby wyszukiwania; przygotuj czysty korpus do analizy; lub po prostu zamień długi plik PDF na formę, z którą czytnik ekranowy, edytor albo telefon poradzi sobie wygodnie.

Jak działa ekstrakcja

Prawie każdy plik PDF utworzony cyfrowo przechowuje niewidoczną warstwę tekstową za widoczną stroną: te same znaki, które można zaznaczyć w czytniku, każdy zapisany z dokładną pozycją, w której jest rysowany. To narzędzie odczytuje tę warstwę, a następnie odtwarza strukturę na podstawie geometrii. Znaki znajdujące się na tej samej linii bazowej tworzą wiersz. Mierzona jest pozioma przestrzeń zajmowana przez każdy wiersz, a pionowy pas, przez który nie przechodzi żaden wiersz, jest traktowany jako przerwa układu wielokolumnowego i wyznacza kolejność czytania. Wiersze rozciągające się na całą szerokość — tytuły, podpisy ilustracji i linie — dzielą stronę na obszary kolumn i pozostają na swoich miejscach. Na koniec typowe odstępy między wierszami oraz prawa krawędź tekstu głównego wskazują narzędziu, gdzie naprawdę kończy się akapit, dzięki czemu wiersze są łączone tylko wtedy, gdy tekst rzeczywiście trwa dalej.

Jak obliczany jest procent pokrycia tekstem

Wskaźnik Pokrycie tekstem to udział stron w pliku PDF, na których znajduje się czytelny tekst. Narzędzie liczy strony, na których wyodrębniono co najmniej jeden wiersz tekstu, dzieli tę liczbę przez łączną liczbę stron i zaokrągla wynik do pełnego procentu. Wartość 100% oznacza, że każda strona miała warstwę tekstową; niższa wartość oznacza, że niektóre strony, zwykle skany, nie zawierały tekstu do wyodrębnienia. Wskaźnik mierzy, jaka część dokumentu była czytelna, a nie to, jak dokładne są wyodrębnione słowa.

Kiedy ekstrakcja nie może zadziałać

Zeskanowany dokument jest zdjęciem strony. Nie ma warstwy tekstowej, więc nie ma czego wyodrębnić, a każde narzędzie twierdzące inaczej po prostu zgaduje. Ten ekstraktor wykrywa taką sytuację i informuje o niej, zamiast przekazywać pusty plik; aby uzyskać tekst ze skanu, najpierw potrzebujesz OCR (optycznego rozpoznawania znaków). Zaszyfrowanych plików PDF również nie można otworzyć przed usunięciem ochrony. Ponieważ PDF opisuje instrukcje rysowania, a nie strukturę dokumentu, niektóre elementy są z natury przybliżone: mocno zaprojektowane strony, paski boczne, przypisy, zapis matematyczny i tekst narysowany jako grafika wektorowa mogą pojawić się w kolejności, którą trzeba będzie uporządkować ręcznie. Przełączanie między trzema stylami jest zwykle najszybszym sposobem na uzyskanie najlepszego punktu wyjścia.