تبدیل PDF به متن فقط کلمات را، بدون چیدمان، فونت یا عکس، در یک فایل .txt به شما میدهد که همهجا باز میشود. سریعترین راه برای جستوجو در یک سند طولانی، نقل قول از آن یا دادنش به برنامهای دیگر است. اینجا در مرورگر شما اجرا میشود، پس اسنادتان هرگز بارگذاری نمیشوند.
استخراج متن از چند PDF
یک پوشهٔ کامل از گزارشها، مقالهها یا صورتحسابها را اضافه کنید. هر PDF یک فایل .txt همنام میشود و همه با هم در یک ZIP ذخیره میشوند. متن به ترتیب خواندن هر صفحه، صفحه پشت صفحه و با UTF-8 میآید، پس حروف اعرابدار و الفباهای غیرلاتین درست منتقل میشوند.
PDFهای اسکنشده به OCR نیاز دارند
این ابزار متنی را میخواند که درون PDF ذخیره شده است. اسکن یا عکسی که بهصورت PDF ذخیره شده فقط تصویر حروف را دارد، پس نتیجه خالی است. آزمایش سریع: اگر نمیتوانید کلمهای را در نمایشگر PDF انتخاب کنید، از OCR برای PDF استفاده کنید که حروف را تشخیص میدهد و فایل متنی هم به شما میدهد.
چرا متن بعضی PDFها کپی نمیشود
کپی کردن از نمایشگر PDF اغلب خطها را وسط جمله میشکند، ستونها را قاطی میکند یا سرصفحهها و شمارهٔ صفحهها را هم برمیدارد. بعضی PDFها با رمز دسترسی جلوی کپی را میگیرند؛ اینها را میشود اول با باز کردن قفل PDF باز کرد. و در چند فایل، حروف با فونتهایی رسم شدهاند که نقشهٔ نویسهٔ درستی ندارند، پس متن استخراجشده ناخوانا به نظر میرسد؛ اجرای OCR روی چنین فایلی متن خوانا میدهد.
روش کار
متن با MuPDF، یک موتور PDF که در مرورگر شما اجرا میشود، استخراج میشود. نویسههای ذخیرهشده در هر صفحه را همراه با جایشان میخواند، به ترتیب خواندن میچیند و بهصورت متن ساده مینویسد. بار اول، موتور (حدود ۳۹ مگابایت) دانلود و در مرورگرتان نگه داشته میشود. فایلهایتان هرگز به جایی فرستاده نمیشوند.
کاربردهای رایج، و جاهایی که جواب نمیدهد
جستوجو و نقل قول از گزارشهای طولانی، جمعآوری متن برای پژوهش یا یادداشت، جایگذاری یک قرارداد در ایمیل، وارد کردن اسناد به ابزار ترجمه یا هوش مصنوعی، و نگهداشتن بایگانی متن ساده.
- قالببندی حفظ نمیشود: نه متن پررنگ، نه جدول و نه عکس. برای این کار از PDF به Word استفاده کنید.
- اسکنها بدون OCR متنی نمیدهند.
- چیدمانهای پیچیده مثل جدولها و صفحههای چندستونی ممکن است با ترتیبی غیرمنتظره بیرون بیایند.