Витягування тексту з PDF

Локальне витягування виділюваного тексту з PDF

Копіювати текст із PDF не завжди зручно, особливо коли документ має багато сторінок або текст потрібен у простому редакторі. Цей інструмент PDF у текст зчитує виділюваний текст із кожної сторінки й розміщує його в одному текстовому полі, яке можна скопіювати або завантажити як файл TXT. Він працює повністю у вашому браузері за допомогою pdfjs-dist, тож вихідний PDF не завантажується і не зберігається жодним віддаленим сервісом. Засіб корисний для дослідницьких нотаток, цитат, договорів, звітів, рахунків, посібників і будь-якого PDF, у якому вже є текстовий шар.

Виділюваний текст і скановані зображення

PDF можуть зберігати текст по-різному. PDF, створений у цифровому вигляді, наприклад експортований із текстового редактора, зазвичай містить справжній виділюваний текст. Сканований PDF може містити лише зображення сторінок. Якщо скан уже оброблено за допомогою OCR, витягування тексту може спрацювати, адже шар OCR прихований за зображенням. Якщо ж є лише зображення, цей інструмент не зможе вигадати текст із пікселів: спершу виконайте OCR, а потім витягніть отриманий текстовий шар. Ваш браузер завантажує документ із локальної пам'яті, запитує в кожної сторінки її текстовий вміст і поєднує результати з позначками сторінок.

Очищення витягнутого тексту

Порядок тексту в PDF залежить від того, як було створено вихідний файл. Прості сторінки зазвичай витягуються чисто, тоді як багатоколонкове розташування, таблиці, верхні й нижні колонтитули та повернутий текст можуть потребувати ручного редагування. Перевірте результат, перш ніж цитувати чи повторно використовувати його. Інструмент додає розділювачі сторінок, щоб ви могли простежити текст до вихідної сторінки та виправити переноси рядків або пробіли, які не відповідають початковому порядку читання. Результат — простий текст, який легко вставити в документ, шукати в редакторі коду, використати в іншому локальному процесі або зберегти поруч з оригінальним PDF.