ดึงข้อความจาก PDF ใดก็ได้
ในเบราว์เซอร์ของคุณ

เมื่อต้องการข้อความ ไม่ใช่ PDF

เหตุผลในการดึงข้อความจาก PDF เกือบทุกครั้งวนรอบสิ่งเดียวกัน นั่นคือพาคำไปยังที่ที่ PDF เข้าไม่ได้ คุณอยากแปะคำพูดอ้างอิงในอีเมลโดยไม่ต้องลากไฟล์ PDF เป็นไฟล์แนบ คุณป้อนเอกสารยาวให้ผู้ช่วย AI ที่รับเฉพาะข้อความล้วน คุณอยาก grep รายงาน 200 หน้าหาวลีหนึ่ง แต่การค้นหาในตัวอ่านปกปิดบางสิ่ง คุณกำลังแปลสัญญาและเครื่องมือแปลต้องการต้นทางในรูปแบบไฟล์เรียบ คุณดึงต้นฉบับที่จัดหน้าเสร็จจาก PDF กลับมาที่โปรแกรมแก้ไขข้อความ ในทุกกรณี สิ่งที่ขวางทางคือเปลือกหุ้ม — คำต่าง ๆ ปกติดี เพียงแต่ติดอยู่ในเลย์เอาต์ที่ประกอบกลับยาก

เอาต์พุตที่นี่ก็คือสิ่งนั้นพอดี ข้อความล้วน ไฟล์ .txt ใหญ่หนึ่งไฟล์ ในลำดับเดียวกับที่อ่าน PDF ไม่มีฟอร์แมต ไม่มีฟอนต์ ไม่มีรูป ไม่มีตาราง-เป็น-ตาราง งานคือการปลดปล่อยคำ

«การสกัด» ทำอะไรจริง ๆ

PDF เก็บข้อความสองชนิด ข้อความจริง — ตัวอักขระที่วาดด้วยฟอนต์และ PDF ติดป้ายว่าเป็นตัวอักษร — อยู่ในชั้นข้อความ ชั้นนี้เครื่องมืออ่านโดยตรง อีกชนิดคือข้อความที่มีอยู่เฉพาะในรูปพิกเซล อะไรก็ตามที่ถูกสแกน ถ่ายภาพ หรือสกรีนช็อตก่อนเข้า PDF อักขระเหล่านี้เป็นภาพของตัวอักษร ไม่ใช่ตัวอักษร และไม่มีโปรแกรมสกัดใดเห็นเป็นข้อความได้โดยปราศจาก OCR ที่นี่ไม่มีขั้นตอน OCR

การตรวจสอบเร็ว ๆ สองอย่างบอกได้ว่า PDF ของคุณเป็นแบบไหน เปิดในตัวอ่านใด ๆ คลิกแล้วลากบนย่อหน้า ถ้าข้อความถูกไฮไลต์อย่างเรียบร้อย แสดงว่ามีชั้นข้อความและการสกัดจะใช้ได้ ถ้าเคอร์เซอร์วาดสี่เหลี่ยมและไม่มีอะไรไฮไลต์ หน้านั้นเป็นภาพ และต้องผ่าน OCR ก่อน (ในเครื่องมืออื่น) ให้โปรแกรมสกัดมีอะไรอ่าน

การแบ่งบรรทัดและย่อหน้าออกมาอย่างไร

PDF ไม่เก็บย่อหน้า ข้างในนั้นหนึ่งหน้าคือถุงของชิ้นข้อความที่มีตำแหน่ง ไม่มีเมตาดาตาบอกว่า «ที่นี่จบย่อหน้า» ข้อความล้วนที่อ่านง่ายโดยไม่มีการแบ่งย่อมไม่มี ดังนั้นเครื่องมือจึงอนุมานจากระยะห่างแนวตั้ง ระยะเล็กระหว่างบรรทัดกลายเป็นการแบ่งบรรทัดเดียว ระยะใหญ่กว่า (ที่นักออกแบบเว้นไว้ระหว่างย่อหน้า) กลายเป็นบรรทัดว่าง กรณีปกติออกมาถูกต้อง เนื้อหา หัวเรื่อง รายการ เมื่อนักออกแบบใช้ระยะห่างผิดปกติเพื่อสิ่งอื่น เครื่องมือเดาไม่ได้และจุดเหล่านั้นอาจต้องการการแก้ไขด้วยมือเล็กน้อย

ในเอาต์พุต หน้าถูกคั่นด้วยบรรทัดว่าง ถ้าไม่อยากให้มีตัวคั่นหน้าเลย ใช้ค้นหา-และ-แทนที่ บรรทัดว่างคู่ด้วยบรรทัดเดียวเพื่อตัดออก

สิ่งที่ไม่รอดจากการสกัด

• ตัวหนา ตัวเอียง ฟอนต์ สี การจัดแนว ข้อความล้วนคือแบน ถ้าจำเป็นต้องเก็บฟอร์แมต ดู pdf-to-word
• ตาราง เซลล์กลายเป็นข้อความล้วนตามลำดับการอ่าน — มักทีละแถว มักมีระยะห่างเก้งก้าง ตารางที่ต้องคงเป็นตารางอยู่ที่ pdf-to-excel
• ภาพและไดอะแกรม สิ่งที่ไม่ใช่ข้อความใน PDF จะไม่ปรากฏในข้อความ เพื่อแยกภาพออกมาดู pdf-to-jpg
• หัวกระดาษและท้ายกระดาษ ถ้าต้นฉบับวน «เป็นความลับ — หน้า X จาก Y» ในทุกหน้า ข้อความที่สกัดก็จะเป็นเช่นนั้น ค้นหา-และ-แทนที่กำจัดได้ในไม่กี่วินาที
• คำที่ถูกตัดด้วยขีดเชื่อมในตอนท้ายบรรทัด คำที่ถูกแบ่งด้วยขีดเชื่อมจะออกมาเป็น some-\nthing ไม่ใช่ something ถ้าสำคัญต่อการค้นหาหรือเช็คคำในขั้นถัดไป regex -\n → ว่าง แก้ได้
• เลย์เอาต์หลายคอลัมน์อาจเข้ามาคละกัน บทความวิจัยสองคอลัมน์อาจออกมาด้วยประโยคจากคอลัมน์ซ้ายและขวาสลับกัน เอกสารคอลัมน์เดียว — รายงาน สัญญา หนังสือส่วนใหญ่ — ไม่ได้รับผลกระทบ ถ้าผลคละไม่ใช้ได้ สะอาดกว่าคือเปิด PDF ในเครื่องมือที่เคารพลำดับคอลัมน์ก่อนสกัดอีกครั้ง

หมายเหตุปฏิบัติบางข้อ

1. ถ้า PDF ป้องกันด้วยรหัสผ่าน ส่งผ่าน unlock-pdf ก่อน PDF ที่เข้ารหัสไม่สามารถเปิดเพื่อสกัดข้อความได้
2. สำหรับ PDF ขนาดใหญ่มาก (หลายร้อย MB หรือหลายพันหน้า) การสกัดยังคงทำงานในเบราว์เซอร์ของคุณ บนเดสก์ท็อปมักไม่เป็นปัญหา บนโทรศัพท์กับสแกน 500 หน้า เพดานคือหน่วยความจำเบราว์เซอร์ ในกรณีนั้นใช้เดสก์ท็อป
3. เอาต์พุตเป็น UTF-8 ซิริลลิก กรีก อาหรับ จีน ละตินที่มีเครื่องหมายผ่านได้สะอาดเมื่อ PDF เก็บเป็นข้อความจริง PDF ที่วาดอักขระไม่ใช่ละตินเป็น embedded subset glyphs โดยไม่มีการเข้ารหัสที่ถูกต้อง สกัดออกมาเป็นขยะ — เป็นปัญหาของ PDF เอง ไม่ใช่ของโปรแกรมสกัด แก้ที่ต้นทาง: ส่งออกใหม่ด้วยการเข้ารหัส Unicode ที่ถูกต้อง
4. รูปแบบชื่อไฟล์ ไฟล์ contract.pdf ดาวน์โหลดเป็น contract.txt PDF บนดิสก์ยังอยู่ที่เดิม

ไฟล์ของคุณจะเกิดอะไรขึ้น

การสกัดทำงานในเบราว์เซอร์ของคุณ เปิด DevTools และดูแท็บ Network ขณะทำงาน ไม่มีคำขอออกที่นำเนื้อหาไฟล์ออกไป PDF ยังอยู่บนดิสก์ .txt เป็นไฟล์ดาวน์โหลดใหม่ข้าง ๆ