Mengapa perlu mengekstrak teks dari PDF
Menyalin teks dari pembaca PDF sering kali bermasalah: baris terpotong di tengah kalimat, kolom tercampur, dan memilih 50 halaman secara manual sangat melelahkan. Alat ini membaca teks dari seluruh dokumen sekaligus dan menghasilkan teks biasa yang rapi. Gunakan untuk menempelkan dokumen ke email atau alat penerjemah, mengutip laporan, memasukkan teks ke program lain, menghitung jumlah kata, atau menyimpan salinan teks dokumen yang dapat dicari.
Tiga mode teks
- Baris: teks baris demi baris, persis seperti tampil di halaman. Cocok untuk daftar, alamat, dan dokumen pendek.
- Paragraf: baris yang saling berkaitan digabung menjadi paragraf, dan kata yang terpotong dengan tanda hubung di akhir baris disatukan kembali bila memungkinkan. Paling cocok untuk artikel, buku, dan laporan yang ingin Anda tempel ke pengolah kata atau penerjemah.
- Tata letak: spasi ditambahkan untuk mempertahankan posisi teks di halaman, sehingga tabel dan kolom tetap kurang lebih sejajar dalam font monospace. Berguna untuk faktur, rekening koran, dan formulir.
Pratinjau diperbarui saat Anda mengganti mode, dan menampilkan jumlah karakter serta kata.
Opsi file
- Pemisah halaman: baris penanda seperti ----- Page 3 -----, baris kosong, atau karakter form feed yang digunakan beberapa program sebagai pemisah halaman.
- Akhir baris: Windows (CRLF) untuk Notepad dan sebagian besar program Windows, atau Unix (LF) untuk macOS, Linux, dan editor kode.
- BOM: menambahkan tanda di awal file yang membantu program Windows lama mengenali teks UTF-8 dalam bahasa seperti Mandarin atau Rusia.
- Satu file per halaman: setiap halaman disimpan dalam file TXT sendiri, semuanya dalam satu ZIP.
PDF hasil pindai
PDF hasil pindai hanya berisi gambar halaman, jadi tidak ada teks yang bisa diekstrak. Alat ini mendeteksi halaman tanpa teks dan memberi tahu Anda. Dengan satu klik, Anda dapat mengirim dokumen ke OCR PDF, yang mengenali teks dan bisa langsung mengembalikannya sebagai file TXT. Ekstraksi teks itu sendiri berjalan di browser Anda dan tidak mengunggah file; OCR berjalan di server kami.
Yang tidak bisa dipertahankan teks biasa
Teks biasa tidak memiliki font, huruf tebal, gambar, atau tabel. Jika Anda membutuhkan format aslinya, konversi ke dokumen yang dapat diedit dengan PDF ke Word, atau masukkan tabel ke spreadsheet dengan PDF ke Excel. Beberapa PDF menyimpan teks dengan enkode font yang tidak umum, sehingga teks hasil ekstraksi menampilkan karakter yang salah; dalam kasus ini, OCR biasanya memberi hasil yang lebih baik.