Hva er uttrekking av tekst fra PDF?

Uttrekking av tekst fra PDF henter maskinlesbare tegn som er lagret i et PDF-dokument. I motsetning til optisk tegngjenkjenning (OCR) leser verktøyet tekstlaget som allerede er innebygd i filen, i stedet for å gjenkjenne bokstaver fra bilder av sidene.

Den uttrukne teksten kan søkes i, kopieres, indekseres, analyseres eller brukes på nytt i andre dokumenter. Rekkefølgen på resultatet avhenger av hvordan PDF-filen lagrer teksten, så komplekse oppsett som kolonner, tabeller og plasserte etiketter følger kanskje ikke den visuelle leserekkefølgen.

Beskrivelse av verktøyet

Dette verktøyet trekker ut innebygd tekst fra en PDF direkte i nettleseren. Velg en PDF for å behandle hver side, følge fremdriften og kopiere eller laste ned resultatet som en .txt-fil. Overskrifter for hver side holder innhold fra ulike sider adskilt, og en advarsel identifiserer sider som ikke inneholder innebygd tekst.

Eksempler

En PDF på to sider, med en tittel på den første siden og et kort avsnitt på den andre, kan gi følgende resultat:

Side 1

Kvartalsrapport

Side 2

Inntektene økte i løpet av rapporteringsperioden.

Funksjoner

  • Trekker ut innebygd tekst fra alle lesbare sider i en PDF
  • Viser fremdrift side for side og rapporterer sider uten tekstlag
  • Kjører lokalt i nettleseren og lar deg laste ned resultatet som en tekstfil

Slik fungerer det

Verktøyet laster inn PDF-filen i nettleseren, leser tekstelementene som er lagret på hver side, og kombinerer dem til ren tekst. Linjeskift fra PDF-filen bevares når det er mulig, og sideoverskrifter legges til før det uttrukne innholdet.

Begrensninger

  • Skannede sider eller sider som bare inneholder bilder, krever OCR og vil ikke produsere tekst med dette verktøyet.
  • Dokumenter med flere kolonner, tabeller og oppsett med svært nøyaktig plasserte elementer kan bli trukket ut i en uventet leserekkefølge.
  • Skadde eller passordbeskyttede PDF-filer kan være uleselige.