Darmowy konwerter online PDF do TXT

Skrypty, narzędzia terminalowe, czytniki e-booków i systemy archiwizacji czasami akceptują wyłącznie zwykły tekst, a edytowanie lub indeksowanie może wymagać treści bez układu stron PDF. Konwersja do TXT tworzy mniejszy, przeszukiwalny plik, ale usuwa większość informacji wizualnych i strukturalnych.

Czym jest format PDF

PDF, czyli Portable Document Format, przechowuje wygląd stron dokumentu niezależnie od systemu operacyjnego, aplikacji i drukarki. Może zawierać tekst umieszczony w określonych miejscach, osadzone fonty, grafikę wektorową, obrazy rastrowe, adnotacje, formularze, metadane, hiperłącza i ustawienia zabezpieczeń.

Edytory tekstu, oprogramowanie do publikowania na komputerze, skanery, przeglądarki internetowe i sterowniki drukarek tworzą pliki PDF. Faktury, instrukcje, prace naukowe, formularze rządowe, raporty, e-booki i zeskanowane dokumenty często korzystają z tego formatu. PDF został zaprojektowany do dokładnego odtwarzania stron, a nie do definiowania niezawodnej kolejności czytania wyodrębnionego tekstu.

Niektóre pliki PDF ograniczają kopiowanie lub wymagają hasła do otwarcia. Adobe Acrobat nie jest jedyną aplikacją, która może otworzyć chroniony plik PDF, a konwersja nie może zgodnie z prawem omijać szyfrowania ani mechanizmów kontroli dostępu. Przed wyodrębnieniem ograniczonej treści potrzebujesz wymaganego hasła lub odpowiednich uprawnień.

Czym jest format TXT

TXT to plik zwykłego tekstu zawierający znaki i podziały wierszy, bez fontów, pozycji na stronie, obrazów, tabel, kolorów ani metadanych właściwych dla PDF. TXT nie ma jednego obowiązkowego kodowania znaków; UTF-8 jest najbezpieczniejszym wyborem dla nowoczesnych systemów, ponieważ obsługuje znaki Unicode i zapewnia szeroką zgodność z oprogramowaniem.

Zwykły tekst dobrze współpracuje z narzędziami wiersza poleceń, indeksami pełnotekstowymi, systemami kontroli wersji, procesami dostępności, skryptami i archiwami przeznaczonymi do długotrwałego odczytu. Zwykle zajmuje mniej miejsca i pozwala uniknąć problemów ze zgodnością fontów lub układu, ale nie może zachować oryginalnego projektu strony.

Konwersja tekstowego pliku PDF za pomocą pdftotext

Narzędzie pdftotext firmy Poppler jest dostępne za pośrednictwem menedżerów pakietów i kompilacji desktopowych dla systemów Linux, macOS i Windows. Wyodrębnia istniejącą warstwę tekstową zamiast interpretować obrazy stron.

1. Zainstaluj Poppler za pomocą menedżera pakietów systemu operacyjnego lub zaufanej kompilacji.
2. Otwórz terminal lub Command Prompt i przejdź do folderu zawierającego plik PDF.
3. Uruchom polecenie pdftotext input.pdf output.txt.
4. Otwórz plik output.txt w edytorze obsługującym UTF-8 i sprawdź kolejność czytania, podziały akapitów, tabele oraz znaki specjalne.

W przypadku kolumn lub stron, dla których zwykłe wyodrębnianie daje nieprawidłową kolejność czytania, wypróbuj pdftotext -layout input.pdf output.txt. Zachowuje ono przybliżone odstępy poziome, ale może dodawać nadmiarowe spacje i nie gwarantuje prawidłowej kolejności kolumn. Alternatywa pdftotext -raw input.pdf output.txt korzysta z innej strategii porządkowania i może działać lepiej w przypadku niektórych plików.

Poppler normalnie zapisuje tekst w kodowaniu UTF-8. Jeśli zainstalowana wersja obsługuje jawne określenie kodowania, użyj pdftotext -enc UTF-8 input.pdf output.txt. W przypadku zaszyfrowanego pliku PDF podaj autoryzowane hasło za pomocą -upw dla hasła użytkownika lub -opw dla hasła właściciela, na przykład pdftotext -upw password input.pdf output.txt. Jeśli to możliwe, unikaj umieszczania haseł bezpośrednio w historii powłoki.

W przypadku małego pliku PDF z zaznaczalnym tekstem wystarczające może być skopiowanie tekstu do edytora tekstu UTF-8, ale często prowadzi to do utraty kolumn, wstawienia niepożądanych podziałów wierszy lub pominięcia treści. Desktopowe edytory PDF mogą również udostępniać polecenie eksportu tekstu w menu File → Export; dokładne menu i dostępne formaty zależą od aplikacji i jej edycji.

Konwersja zeskanowanego pliku PDF za pomocą OCR

Zeskanowany plik PDF może zawierać wyłącznie obrazy stron, dlatego pdftotext może utworzyć pusty lub prawie pusty plik. Najpierw uruchom optyczne rozpoznawanie znaków za pomocą aplikacji OCR, takiej jak OCRmyPDF, która często korzysta z Tesseract:

1. Uruchom ocrmypdf --deskew --rotate-pages input.pdf searchable.pdf, aby dodać przeszukiwalną warstwę tekstową i skorygować typowe problemy z wyrównaniem skanu.
2. Wyodrębnij warstwę za pomocą pdftotext searchable.pdf output.txt.

W razie potrzeby ustaw język OCR, na przykład ocrmypdf -l eng+deu input.pdf searchable.pdf. Dokładność zależy od rozdzielczości, kroju pisma, kontrastu, przekrzywienia, danych językowych, kompresji i uszkodzeń stron. Ręcznie sprawdź nazwy, daty, liczby, znaki interpunkcyjne i wartości w tabelach, ponieważ OCR może mylić znaki takie jak 0 i O.

Konwersja bez instalowania oprogramowania

Możesz bezpłatnie przekonwertować plik w serwisie 101convert.com bez instalowania oprogramowania. Prześlij plik PDF, wybierz TXT jako format wyjściowy, rozpocznij konwersję i pobierz wynik. Nie przesyłaj poufnych, regulowanych ani objętych ograniczeniami dostępu dokumentów, chyba że zasady prywatności, przechowywania i przetwarzania danych przez usługę są dla Ciebie akceptowalne.

Ograniczenia jakości i zgodności

Wyodrębnianie jest zgodne z wewnętrzną kolejnością obiektów tekstowych w pliku PDF, która może różnić się od kolejności, w jakiej człowiek czyta stronę. Nagłówki, stopki, przypisy, kolumny, podpisy i paski boczne mogą pojawić się w nieoczekiwanych miejscach. Sprawdź wynik zamiast traktować go jako wierny strukturalnie zapis.

TXT nie ma modelu komórek, wierszy ani kolumn, dlatego tabele zwykle tracą swoje granice. Obrazy, podpisy, rysunki, osadzone pliki, komentarze, zakładki, hiperłącza, fonty, kolory i formatowanie stron nie zostają zachowane. Użyj ustrukturyzowanego formatu tabeli, jeśli dane muszą pozostać czytelne maszynowo jako wiersze i kolumny.

Niestandardowe kodowania fontów oraz pliki PDF, w których litery są przedstawione jako obrysy wektorowe, mogą powodować nieprawidłowe lub brakujące znaki, nawet gdy strona wygląda na czytelną. Konieczne może być użycie OCR lub innej biblioteki do wyodrębniania danych z PDF. Zachowaj oryginalny plik PDF razem z plikiem TXT, ponieważ konwersja powoduje utratę danych, a wynik w postaci zwykłego tekstu nie może odtworzyć oryginalnego układu.