Převod PDF na text
Bezplatný nástroj, který extrahuje text z PDF a převede ho na textový soubor (TXT). Ze stránek s textem se text extrahuje tak, jak je, a text na naskenovaných stránkách se přečte pomocí OCR (optického rozpoznávání znaků). Vaše PDF se zpracovává v prohlížeči a nikdy se nenahrává. OCR přečte najednou až 200 stránek (na zařízeních, kde zpracování trvá déle, 30 stránek). Otevřít můžete PDF do 200 MB na soubor (na telefonech a tabletech 100 MB).
Jen pokud PDF obsahuje stránky bez textu (například naskenované stránky) nebo s poškozeným textem, stáhne se při prvním spuštění z tohoto webu model AI (asi 17 MB); další spuštění používají kopii uloženou v prohlížeči. Vaše PDF se nikdy nenahrávají.
Nastavení
Jak na to
- 1
Přidejte PDF
Vyberte PDF k převodu na text nebo je přetáhněte sem. Můžete přidat několik PDF najednou. Vaše PDF se nikdy nenahrávají.
- 2
Zvolte jazyk dokumentu a konce stránek
V poli „Jazyk dokumentu“ zvolte jazyk, ve kterém je PDF napsané (použije se při čtení naskenovaných stránek). Chcete-li převést jen některé stránky, zadejte je do pole „Rozsah stránek“. V poli „Konce stránek“ zvolte, co se vloží mezi stránky.
- 3
Převeďte a uložte
Klikněte na „Spustit“ a vytvoří se soubor TXT s textem PDF. Uložte ho tlačítkem „Uložit“, nebo celý text zkopírujte pomocí „Kopírovat text“. Pokud byly čteny naskenované stránky, můžete rozpoznané řádky zkontrolovat pomocí „Zkontrolovat rozpoznaný text“.
O převodu PDF na text
Ze stránek s textem se text extrahuje pomocí PDFium, jádra pro PDF používaného i v Chrome, bez modelu AI. Stránky bez textu a stránky s poškozeným textem (při výběru textu se objeví jiné znaky) se čtou modelem pro rozpoznávání textu z PaddleOCR (PP-OCRv6, Apache-2.0), který běží ve vašem prohlížeči. Jen v takovém případě se při prvním spuštění stáhne z tohoto webu model AI (asi 17 MB); další spuštění používají kopii uloženou v prohlížeči. U PDF, kde má text mnoho stránek, se nástroj před stažením modelu AI zeptá. Na zařízeních, která nemohou využít GPU (WebGPU), běží zpracování na CPU a trvá déle než na GPU.
Ze stránek, které už mají textovou vrstvu OCR, se extrahuje tento text. Na stránkách, které kombinují text a obrázky, se text extrahuje a části, které text nepřekrývají, se přečtou. Pokud je stránek ke čtení pomocí OCR více, než lze přečíst najednou, čtou se stránky bez textu od začátku a zobrazí se čísla nepřečtených stránek. Uložený soubor je textový soubor v UTF-8 (.txt). V poli „Konce stránek“ můžete zvolit, co se vloží mezi stránky (ve výchozím nastavení oddělovací řádek jako „--- 1 / 3 ---“).
Specifikace tohoto nástroje
- Vstup
- Výstup
- TXT
- Omezení
- Bez omezení počtu souborů (dávkové zpracování). Až 200 MB na soubor (na telefonech a tabletech 100 MB). Pomocí OCR se najednou přečte až 200 stránek (na zařízeních, která zpracovávají na CPU, 30 stránek; čísla stránek nad tento počet se zobrazí)
- Zdarma, bez registrace, bez instalace aplikace
- Soubory se nikdy nenahrávají (zpracování v prohlížeči)
Časté dotazy
Odesílá se moje PDF na server?
Ne. Otevření PDF, extrakce textu i čtení textu na naskenovaných stránkách probíhají v prohlížeči ve vašem zařízení. Na server tohoto webu se odesílají statistiky, které nám pomáhají opravovat chyby (rozsah počtu stránek, rozsahy počtu stránek s extrahovaným textem a stránek přečtených pomocí OCR, rozsah času na stránku, typy chyb apod.). Neobsahují obsah PDF, extrahovaný text, rozpoznaný text, názvy souborů, hesla ani zadané rozsahy stránek. Statistiky můžete vypnout přepínačem „Odesílat statistiky zpracování“ ve spodní části stránky.
Dokáže extrahovat text z naskenovaného PDF?
Ano. Stránky bez textu a stránky s poškozeným textem se čtou pomocí OCR (optického rozpoznávání znaků). Je určen pro tištěný text psaný vodorovně. Čte i stránky se svislým textem, ale s více chybami než u vodorovného textu a může vynechat interpunkci. Ručně psaný text není podporován. Chcete-li v PDF umožnit vyhledávání a ponechat ho jako PDF, použijte nástroj „OCR PDF“.
Dokáže extrahovat text z PDF chráněného heslem nebo PDF, které autor omezil?
Ano. PDF chráněné heslem se otevře, jakmile zadáte jeho heslo pro otevření. Pokud autor omezil kopírování a extrakci, nástroj text neextrahuje, dokud nezadáte heslo pro oprávnění. Tento nástroj hesla neuhaduje, takže pokud heslo pro oprávnění neznáte, obraťte se na autora PDF. Textový soubor (TXT) nemůže nést heslo ani omezení, takže uložený soubor otevře kdokoli. Text skrytý pod poznámkami, například černými obdélníky, se extrahuje také, pokud v souboru stále je jako text; chcete-li text ze souboru odstranit, použijte nástroj „Začernění PDF“.
Může extrahovaný text obsahovat chyby?
Ano. Na stránkách přečtených pomocí OCR mohou být některé znaky přečteny chybně nebo vynechány podle velikosti písma, rozlišení skenu a skvrn nebo zešikmení papíru. Čísla s velkými mezerami v tabulkách se čtou chybně častěji než ostatní text. Když je jako jazyk dokumentu zvolena „Japonština“, znaky mimo sady kandži JIS úrovně 1 a 2 a emoji se mohou přečíst jako podobně vypadající znaky. Sloupce a tabulky mohou vyjít v jiném pořadí, než je pořadí čtení. Stránky s textem se řídí pořadím uloženým v PDF a na stránkách přečtených pomocí OCR může tabulka s dlouhými buňkami vyjít po jednotlivých sloupcích. Klikněte na „Zkontrolovat rozpoznaný text“ a uvidíte řádky přečtené pomocí OCR orámované na stránce, přičemž řádky s vyšší pravděpodobností chyb jsou zobrazeny jinou barvou.
Pomozte nám zlepšovat službu
Pokud převod nebo komprese selže, informace o okolnostech nám pomohou najít příčinu. Když víme, na kterých zařízeních a u kterých formátů dochází k selhání nejčastěji a jak dlouho zpracování trvá, můžeme upravit podporované formáty a opravit chyby, které za tím stojí. Pokud vám to nevadí, nechte tuto volbu zapnutou – opravdu nám to pomůže.
Co se odesílá
- Použitý nástroj a zvolená nastavení (výstupní formát, kvalita atd.)
- Parametry vašeho zařízení (GPU, paměť, počet jader)
- Vstupní formát s přibližnou velikostí
- Kolik souborů uspělo nebo selhalo a jak dlouho to trvalo
- Typ a podrobnosti chyby, když něco selže
Co se nikdy neodesílá
- Samotné soubory a názvy souborů
- Text v PDF, text, který jste nahradili nebo začernili, hesla, názvy písem a zadané rozsahy stránek
- Rozpoznaný text a umístění rozpoznaných řádků
- IP adresy
Data jdou pouze na vlastní server tohoto webu, nikdy do služby třetí strany.
Úplný seznam včetně podrobností, které odesílá každý nástroj, najdete v části „Statistiky zpracování“ v zásadách ochrany osobních údajů.
Podrobnosti odesílané tímto nástrojem (jen počty, časy, druhy a ano/ne)
Kromě položek v části „Co se odesílá“ odesílá tento nástroj následující podrobnosti.
- Nástroje pro PDF (všechny)
- Rozsah počtu stránek, zda jsou úpravy omezené, zda bylo zadáno heslo pro oprávnění a zda je PDF podepsané nebo šifrované.
- PDF na text
- Počty vstupů a výstupů, stránek s extrahovaným textem, stránek, které již měly text OCR, stránek kombinujících text a obrázky, stránek přečtených pomocí OCR, přečtených stránek bez nalezeného textu, stránek s poškozeným textem, prázdných stránek, stránek přeuspořádaných jako svislý text, stránek s opravenou orientací, stránek nečtených, protože model AI nebyl stažen, a stránek nečtených, protože překročily počet stránek, které lze přečíst najednou, přečtených řádků a znaků a oblastí a znaků nečtených kvůli překryvu s existujícím textem nebo poznámkami (vše jako rozsahy), rozsahy podílu svislých řádků a řádků s vyšší pravděpodobností chyb, rozsahy času na stránku a doby načtení modelu AI, typ a verze modelu AI a zda byl stažen, zda se nástroj před stažením modelu AI zeptal, rozsah rozlišení vykreslení a zda bylo sníženo, rozsah počtu částí, na které byl obrázek rozdělen při hledání textu, zda odhadovaný čas přesáhl 15 minut a zda přestalo být GPU dostupné.