Szöveg kinyerése bármely PDF-ből,
a böngészőben.

Amikor a szöveget akarod, nem a PDF-et

A szöveg PDF-ből való kinyerésének okai szinte mindig egy körül forognak: a szavakat oda juttatni, ahova a PDF nem fér be. Idézetet akarsz beilleszteni egy e-mailbe anélkül, hogy a PDF-et csatolmányként cipelnéd. Egy hosszú dokumentumot adsz egy AI-asszisztensnek, amely csak sima szöveget fogad el. Egy 200 oldalas jelentést akarsz greppelni egy kifejezésre, és az olvasó keresése elrejt valamit. Szerződést fordítasz, és a fordítóeszköz lapos fájlként kéri a forrást. Egy kész, tördelt kéziratot húzol vissza PDF-ből egy szövegszerkesztőbe. Mindezekben az esetekben a burkolat áll útban — a szavak rendben vannak, csak benne ülnek egy elrendezésben, amit nehéz újra összerakni.

A kimenet itt pontosan ez: sima szöveg, egy nagy .txt fájl, ugyanabban a sorrendben, ahogy a PDF olvasható. Nincs formázás, nincsenek betűtípusok, nincsenek képek, nincsenek táblázatok-mint-táblázatok. A feladat: kiszabadítani a szavakat.

Mit tesz valójában a „kinyerés"

A PDF kétféle „szöveget" tárol. A valódi szöveg — betűtípusokkal rajzolt karakterek, amelyeket a PDF betűként jelöl — egy szövegrétegben él. Ezt a réteget az eszköz közvetlenül olvassa. A másik fajta csak pixelként létező szöveg: minden szkennelt, fényképezett vagy képernyőképként készült anyag, mielőtt a PDF-be kerül. Ezek a karakterek betűk képei, nem betűk, és OCR nélkül semmilyen kinyerő nem látja őket szövegként. Itt nincs OCR-lépés.

Két gyors ellenőrzés megmondja, melyik PDF-ed van. Nyisd meg bármilyen olvasóban, kattints és húzz végig egy bekezdésen: ha a szöveg tisztán kijelölhető, van szövegréteg, és a kinyerés működni fog. Ha a kurzor téglalapot rajzol és semmi sem jelölődik ki, az oldal kép, és először OCR-en kell átengedned (másik eszközben), hogy a kinyerőnek legyen mit olvasnia.

Hogyan jönnek ki a sortörések és bekezdések

A PDF nem tárol bekezdéseket. Belül egy oldal pozíciókkal ellátott szövegtöredékek halmaza — sehol nincs metaadat, hogy „itt vége a bekezdésnek". Olvasható sima szöveg törések nélkül nem létezik, így az eszköz a függőleges távolságokból következtet rájuk: a sorok közti kis hézag egyetlen sortöréssé válik, a nagyobb hézag (amilyet a tervezők bekezdések közé hagynak) üres sorrá. A szokásos esetek jól sikerülnek: kenyérszöveg, címek, listák. Ha a tervező szokatlan távolságokat használt másra, az eszköz nem tudja kitalálni, és ezek a helyek könnyű utószerkesztést kívánhatnak.

A kimenetben az oldalakat üres sor választja el. Ha egyáltalán nem akarsz oldalelválasztókat, a dupla sortörés egyszerűre cserélése „keresés és csere" segítségével eltávolítja őket.

Mi nem éli túl a kinyerést

• Félkövér, dőlt, betűtípusok, szín, igazítás. A sima szöveg lapos. Ha formázást kell megőrizni, lásd pdf-to-word.
• Táblázatok. A cellák olvasási sorrendben sima szöveggé válnak — általában sorról sorra, gyakran kényelmetlen térközökkel. A táblázatoknak, amelyeknek táblázatként kell megmaradniuk, helyük a pdf-to-excel.
• Képek és diagramok. Ami a PDF-ben nem volt szöveg, nem jelenik meg a szövegben. A képek külön kinyeréséhez lásd pdf-to-jpg.
• Fej- és láblécek. Ha az eredeti minden oldalon ismételte: „Bizalmas — X. oldal Y-ból", a kinyert szöveg ugyanúgy. Egy „keresés és csere" másodpercek alatt eltávolítja.
• Sortörésnél kötőjellel elválasztott szavak. A kötőjellel megtört szó vala-\nmi formában jön ki, nem valami. Ha ez számít a későbbi keresésnek vagy helyesírás-ellenőrzésnek, egy -\n → üres regex megoldja.
• A többhasábos elrendezések összekeveredhetnek. Egy kéthasábos tudományos cikk a bal és jobb hasáb mondatainak váltakozásával jöhet ki. Az egyhasábos dokumentumok — a legtöbb jelentés, szerződés, könyv — érintetlenek. Ha az összekevert eredmény használhatatlan, tisztább a PDF-et oszloprendet tisztelő eszközben megnyitni az újrakinyerés előtt.

Néhány gyakorlati megjegyzés

1. Ha a PDF jelszóval védett, először engedd át unlock-pdf-en. A titkosított PDF-eket nem lehet megnyitni szövegkinyeréshez.
2. Nagyon nagy PDF-ek (több száz MB, több ezer oldal) esetén a kinyerés még mindig a böngésződben fut. Asztali gépen ritkán probléma; egy 500 oldalas szkennel telefonon a böngésző memóriája a plafon. Ilyenkor: asztali gép.
3. A kimenet UTF-8. A cirill, görög, arab, kínai, ékezetes latin tisztán átjut, ha a PDF valódi szövegként tárolta. Azok a PDF-ek, amelyek nem latin karaktereket beágyazott subset-glífekként rajzoltak helyes kódolás nélkül, kinyeréskor olvashatatlan szemetet adnak — ez magának a PDF-nek a problémája, nem a kinyerőé. A javítás a forrás oldalán: helyes Unicode kódolással újraexportálni.
4. Fájlnévminta. A contract.pdf fájl contract.txt néven töltődik le. A lemezen lévő PDF a helyén marad.

Mi történik a fájloddal

A kinyerés a böngésződben fut. Nyisd meg a DevTools-t és figyeld a Network fület a művelet közben — nincs kimenő kérés a fájl tartalmával. A PDF a lemezen marad; a .txt új letöltés mellette.