PDF sang văn bản

PDF nhiều khả năng là bản quét hoặc ảnh chụp, không có lớp văn bản để trích xuất. Hãy chạy qua OCR PDF trước; công cụ đó thêm lớp văn bản và cũng cho tải trực tiếp tệp .txt.

Văn bản được đọc từ trái sang phải, từ trên xuống dưới, theo cấu trúc bên trong của PDF, đúng với hầu hết tài liệu một cột. Bố cục nhiều cột, thanh bên và bảng có thể bị xen lẫn, và đầu trang, chân trang cùng số trang được đưa vào cùng mọi thứ khác trên trang.

Không. Đầu ra là văn bản UTF-8 thuần, nên ký tự có dấu, Cyrillic, CJK và Ả Rập được giữ nguyên, nhưng chữ đậm, tiêu đề, liên kết và hình ảnh thì không, và ngắt dòng theo dòng của PDF chứ không theo đoạn văn. Để giữ tiêu đề và danh sách dưới dạng Markdown, hãy dùng PDF sang Markdown.

Có. Thêm bao nhiêu PDF tùy thích và nhấp Trích xuất một lần; mỗi PDF thành một tệp .txt riêng đặt tên theo nguồn, và chúng được tải xuống cùng nhau dưới dạng pdf-to-text.zip. Một PDF đơn lẻ tải xuống trực tiếp thành filename.txt.

Các trang nối tiếp nhau với một ngắt dòng ở giữa. Không có dấu trang hay ký tự sang trang, nên tệp đọc như một dòng văn bản liên tục.

Không, công cụ này luôn trích xuất mọi trang. Hãy tách các trang cần thiết ra một PDF riêng trước bằng Trích xuất trang, rồi chuyển tệp đó.

Nếu PDF yêu cầu mật khẩu khi mở, công cụ sẽ hỏi mật khẩu đó trước khi trích xuất. Không có mật khẩu thì không đọc được văn bản.

Không. Việc trích xuất chạy trong bộ máy PDF được tải vào trình duyệt của bạn dưới dạng WebAssembly, nên hợp đồng, hồ sơ y tế và mọi thứ khác luôn nằm trên thiết bị của bạn từ đầu đến cuối.