Proč extrahovat text z PDF
Kopírování textu ze čtečky PDF často nedopadne dobře: řádky se lámou uprostřed vět, sloupce se míchají a ruční označování 50 stran je únavné. Tento nástroj přečte text celého dokumentu najednou a vrátí čistý prostý text. Hodí se k vložení dokumentu do e-mailu nebo překladače, k citování zprávy, k předání textu jinému programu, ke spočítání slov nebo k uchování textové kopie dokumentu, ve které lze vyhledávat.
Tři textové režimy
- Řádky: text řádek po řádku přesně tak, jak je na stránce. Vhodné pro seznamy, adresy a krátké dokumenty.
- Odstavce: řádky, které k sobě patří, se spojí do odstavců a slova rozdělená na konci řádku se pokud možno opět složí dohromady. Nejlepší pro články, knihy a zprávy, které chcete vložit do textového editoru nebo překladače.
- Rozvržení: doplní se mezery, aby se zachovala poloha textu na stránce, takže tabulky a sloupce zůstanou v neproporcionálním písmu zhruba zarovnané. Užitečné pro faktury, výpisy a formuláře.
Náhled se po změně režimu aktualizuje a zobrazuje počet znaků a slov.
Možnosti souboru
- Oddělovač stránek: řádek se značkou, například ----- Page 3 -----, prázdný řádek nebo znak konce stránky (form feed), který některé programy používají jako zalomení stránky.
- Konce řádků: Windows (CRLF) pro Poznámkový blok a většinu programů ve Windows, nebo Unix (LF) pro macOS, Linux a editory kódu.
- BOM: přidá na začátek souboru značku, která starším programům ve Windows pomáhá rozpoznat text v UTF-8 v jazycích, jako je čínština nebo ruština.
- Jeden soubor na stránku: každá stránka se uloží do vlastního souboru TXT, vše v jednom archivu ZIP.
Skenovaná PDF
Skenované PDF obsahuje jen obrázky stránek, takže není co extrahovat. Nástroj stránky bez textu rozpozná a upozorní vás. Jedním kliknutím můžete dokument odeslat do nástroje OCR PDF, který text rozpozná a může ho vrátit rovnou jako soubor TXT. Samotná extrakce textu probíhá ve vašem prohlížeči a soubor se nenahrává; OCR běží na našem serveru.
Co prostý text zachovat nedokáže
Prostý text neobsahuje písma, tučné řezy, obrázky ani tabulky. Pokud potřebujete zachovat formátování, převeďte PDF do upravitelného dokumentu pomocí nástroje PDF do Wordu nebo dostaňte tabulky do sešitu pomocí nástroje PDF do Excelu. Některá PDF ukládají text s neobvyklým kódováním písma a extrahovaný text pak obsahuje chybné znaky; v takovém případě bývá lepší výsledek z OCR.