PDF به متن

احتمالاً PDF یک اسکن یا عکس است که لایهٔ متنی برای استخراج ندارد. ابتدا آن را از OCR PDF بگذرانید؛ آن ابزار لایهٔ متنی اضافه می‌کند و دانلود مستقیم .txt هم ارائه می‌دهد.

متن از چپ به راست و از بالا به پایین، طبق ساختار داخلی PDF خوانده می‌شود، که برای بیشتر اسناد تک‌ستونی درست است. چیدمان‌های چندستونی، نوارهای کناری و جدول‌ها ممکن است درهم دربیایند و سرصفحه‌ها، پاصفحه‌ها و شمارهٔ صفحه‌ها همراه با بقیهٔ محتوای صفحه می‌آیند.

خیر. خروجی متن ساده UTF-8 است، پس نویسه‌های دارای نشانه، سیریلیک، CJK و عربی حفظ می‌شوند، ولی متن درشت، سرتیترها، پیوندها و تصاویر حفظ نمی‌شوند و شکست خط‌ها از خط‌های PDF پیروی می‌کنند نه پاراگراف‌ها. برای سرتیترها و فهرست‌ها در قالب Markdown از PDF به Markdown استفاده کنید.

بله. هر تعداد PDF که می‌خواهید اضافه کنید و یک بار روی «استخراج» کلیک کنید؛ هر کدام به فایل .txt جداگانه‌ای به نام منبع تبدیل می‌شود و با هم به‌صورت pdf-to-text.zip دانلود می‌شوند. یک PDF تکی مستقیماً به‌صورت filename.txt دانلود می‌شود.

صفحه‌ها با یک شکست خط میان‌شان پشت سر هم می‌آیند. نشانگر صفحه یا form feed وجود ندارد، پس فایل مانند یک جریان پیوستهٔ متن خوانده می‌شود.

خیر، این ابزار همیشه همهٔ صفحه‌ها را استخراج می‌کند. ابتدا صفحه‌های لازم را با استخراج صفحه‌ها در PDF جداگانه‌ای بکشید و سپس آن فایل را تبدیل کنید.

اگر PDF هنگام باز کردن گذرواژه بخواهد، ابزار پیش از استخراج آن را از شما می‌پرسد. بدون گذرواژه، متن خوانده نمی‌شود.

خیر. استخراج در موتور PDFای انجام می‌شود که به‌صورت WebAssembly در مرورگر شما بارگذاری می‌شود، پس قراردادها، سوابق پزشکی و هر چیز دیگر از ابتدا تا انتها روی دستگاه شما می‌ماند.