Darmowy konwerter online PDF do TEXT

Skrypt, edytor terminalowy, baza danych lub system archiwizacji może wymagać zwykłego tekstu zamiast pliku PDF. Konwersja tworzy mniejszy, przeszukiwalny plik .txt, ale zeskanowane strony wymagają OCR, zanim będzie można wyodrębnić z nich słowa.

Czym jest format PDF

PDF (Portable Document Format) to format o stałym układzie opracowany przez firmę Adobe w celu zachowania wymiarów stron, czcionek, położenia, obrazów i innych elementów dokumentu w różnych systemach operacyjnych. Edytory tekstu, aplikacje DTP, skanery, przeglądarki internetowe i drukarki wirtualne tworzą pliki PDF; do popularnego oprogramowania należą Adobe Acrobat, Microsoft Word, LibreOffice i macOS Preview.

Plik PDF może zawierać zaznaczalną warstwę tekstową, wyłącznie obrazy stron lub oba te elementy. Jego układ może obejmować kolumny, tabele, nagłówki, stopki, etykiety umieszczone w określonych pozycjach, osadzone czcionki, formularze, komentarze i łącza. Format PDF jest używany w umowach, fakturach, instrukcjach, raportach, zeskanowanych dokumentach oraz dokumentach, które po udostępnieniu lub wydrukowaniu muszą zachować swój wygląd.

Czym jest format TEXT

TEXT zwykle oznacza plik zwykłego tekstu, taki jak document.txt. Przechowuje on znaki i podziały wierszy bez czcionek, kolorów, obrazów, geometrii strony, tabel, hiperłączy i innych elementów formatowania.

Zwykły tekst zajmuje niewiele miejsca i jest szeroko kompatybilny z narzędziami wiersza poleceń, skryptami, bazami danych, systemami kontroli wersji, systemami poczty elektronicznej, edytorami terminalowymi, czytnikami ekranu oraz procesami długoterminowego przetwarzania danych. Łatwo go przeszukiwać i edytować, ale nie może zachować wizualnego układu pliku PDF ani niezawodnie odwzorować uporządkowanych tabel.

Jak przekonwertować PDF do TEXT

Korzystanie z konwertera 101convert.com

1. Otwórz stronę konwersji PDF do TEXT w serwisie 101convert.com.
2. Prześlij plik PDF i wybierz TEXT lub TXT jako format wyjściowy.
3. Rozpocznij konwersję i pobierz wygenerowany plik .txt.

Ta opcja działa w przeglądarce internetowej i nie wymaga instalowania oprogramowania. Nie przesyłaj poufnych ani podlegających regulacjom dokumentów, chyba że aktualne warunki prywatności i przechowywania danych usługi są dla Ciebie akceptowalne.

Korzystanie z pdftotext firmy Poppler

pdftotext firmy Poppler to szybkie narzędzie obsługujące skrypty, przeznaczone do plików PDF zawierających zaznaczalny tekst. Zainstaluj Poppler za pomocą menedżera pakietów systemu operacyjnego, a następnie uruchom:

pdftotext -enc UTF-8 input.pdf output.txt

W przypadku dokumentów zawierających kolumny lub proste tabele spróbuj:

pdftotext -layout input.pdf output.txt

-layout zachowuje większe odstępy poziome, ale dodatkowe spacje mogą sprawić, że dalsze analizowanie tekstu będzie mniej niezawodne. Aby wyodrębnić tylko strony od 2 do 5, użyj:

pdftotext -f 2 -l 5 input.pdf output.txt

W systemie Windows uruchom polecenie z katalogu zawierającego pliki binarne Poppler lub dodaj ten katalog do zmiennej PATH. W systemach macOS i Linux instalacja za pomocą menedżera pakietów zwykle udostępnia pdftotext w terminalu.

Korzystanie z oprogramowania komputerowego

W programie Adobe Acrobat otwórz plik PDF i wybierz File → Export To → Text, następnie wybierz lokalizację docelową i zapisz plik zwykłego tekstu. Nazwy menu mogą się różnić w zależności od wersji programu Acrobat. Niektóre inne przeglądarki plików PDF udostępniają opcję zwykłego tekstu w menu File → Save As, ale wiele z nich pozwala zapisać wyłącznie nowy plik PDF.

Zeskanowane pliki PDF

Jeśli nie można zaznaczyć ani skopiować słów, plik PDF prawdopodobnie zawiera obrazy stron zamiast warstwy tekstowej. Najpierw uruchom OCR za pomocą OCRmyPDF, który zazwyczaj korzysta z Tesseract:

ocrmypdf -l eng --deskew input.pdf searchable.pdf

Opcja -l eng wybiera dane rozpoznawania języka angielskiego; w przypadku innego języka lub dokumentu wielojęzycznego użyj odpowiedniego, zainstalowanego kodu języka. Następnie wyodrębnij tekst OCR:

pdftotext -enc UTF-8 searchable.pdf output.txt

OCRmyPDF może wymagać osobnych pakietów danych językowych Tesseract. OCR nie jest potrzebne, gdy oryginalny plik PDF zawiera już dokładny, zaznaczalny tekst.

Ograniczenia jakości i kompatybilności

• Wyodrębnianie tekstu opiera się na pozycjach znaków zapisanych w pliku PDF, a niekoniecznie na zamierzonej kolejności czytania. Strony wielokolumnowe, panele boczne, przypisy, obrócony tekst, nagłówki i ozdobne etykiety mogą pojawić się w niewłaściwej kolejności.
• Tabele zwykle stają się wierszami tekstu zawierającymi spacje lub niespójne separatory. Jeśli dane muszą zachować strukturę, wyeksportuj je do formatu CSV lub innego formatu tabelarycznego zamiast TXT i sprawdź każdy wiersz oraz kolumnę.
• Ligatury, brakujące mapowania czcionek, nietypowe kodowania i uszkodzone pliki PDF mogą powodować nieprawidłowe znaki. Porównaj nazwy, liczby, symbole i teksty zapisane alfabetem innym niż łaciński ze źródłem.
• OCR może błędnie rozpoznawać znaki, szczególnie w przypadku skanów o niskiej rozdzielczości, przekrzywionych, zaszumionych, odręcznych lub z nietypowym składem. Ważne wyniki sprawdź ręcznie.
• Zwykły tekst nie zachowuje obrazów, kolorów, układu strony, klikalnych łączy, komentarzy, pól formularzy ani wizualnych numerów stron.
• Pliki PDF chronione hasłem lub z ograniczeniami wyodrębniania mogą wymagać podania prawidłowego hasła albo uzyskania zgody właściciela przed konwersją; narzędzi do konwersji nie należy używać do omijania mechanizmów kontroli dostępu.