Μετατροπή PDF σε κείμενο
Δωρεάν εργαλείο που εξάγει το κείμενο από ένα PDF και το μετατρέπει σε αρχείο κειμένου (TXT). Οι σελίδες που έχουν κείμενο εξάγονται όπως είναι, και το κείμενο στις σαρωμένες σελίδες διαβάζεται με OCR (οπτική αναγνώριση χαρακτήρων). Το PDF σας υποβάλλεται σε επεξεργασία στο πρόγραμμα περιήγησης και δεν μεταφορτώνεται ποτέ. Το OCR μπορεί να διαβάσει έως 200 σελίδες τη φορά (30 σελίδες σε συσκευές όπου η επεξεργασία διαρκεί περισσότερο). Μπορείτε να ανοίξετε PDF έως 200 MB ανά αρχείο (100 MB σε κινητά και tablet).
Μόνο όταν ένα PDF έχει σελίδες χωρίς κείμενο (όπως σαρωμένες σελίδες) ή με αλλοιωμένο κείμενο, η πρώτη εκτέλεση κατεβάζει ένα μοντέλο AI (περίπου 17 MB) από αυτόν τον ιστότοπο· οι επόμενες εκτελέσεις χρησιμοποιούν το αντίγραφο που είναι αποθηκευμένο στο πρόγραμμα περιήγησής σας. Τα PDF σας δεν μεταφορτώνονται ποτέ.
Ρυθμίσεις
Οδηγίες χρήσης
- 1
Προσθέστε PDF
Επιλέξτε ή αποθέστε τα PDF που θα μετατραπούν σε κείμενο. Μπορείτε να προσθέσετε πολλά PDF μαζί. Τα PDF σας δεν μεταφορτώνονται ποτέ.
- 2
Επιλέξτε γλώσσα εγγράφου και αλλαγές σελίδας
Στο «Γλώσσα εγγράφου», επιλέξτε τη γλώσσα στην οποία είναι γραμμένο το PDF (χρησιμοποιείται για την ανάγνωση σαρωμένων σελίδων). Για να μετατρέψετε μόνο ορισμένες σελίδες, εισαγάγετέ τες στο «Εύρος σελίδων». Επιλέξτε τι μπαίνει ανάμεσα στις σελίδες στο «Αλλαγές σελίδας».
- 3
Μετατροπή και αποθήκευση
Πατήστε «Εκτέλεση» για να δημιουργηθεί ένα αρχείο TXT με το κείμενο του PDF. Αποθηκεύστε το με «Αποθήκευση» ή αντιγράψτε το όλο με «Αντιγραφή κειμένου». Αν αναγνώστηκαν σαρωμένες σελίδες, μπορείτε να ελέγξετε τις γραμμές που αναγνωρίστηκαν με «Έλεγχος αναγνωρισμένου κειμένου».
Σχετικά με τη μετατροπή PDF σε κείμενο
Οι σελίδες που έχουν κείμενο εξάγονται με το PDFium, τη μηχανή PDF που χρησιμοποιεί και το Chrome, χωρίς μοντέλο AI. Οι σελίδες χωρίς κείμενο και οι σελίδες των οποίων το κείμενο είναι αλλοιωμένο (η επιλογή του κειμένου δίνει διαφορετικούς χαρακτήρες) διαβάζονται με το μοντέλο αναγνώρισης κειμένου του PaddleOCR (PP-OCRv6, Apache-2.0), που εκτελείται στο πρόγραμμα περιήγησής σας. Μόνο τότε η πρώτη εκτέλεση κατεβάζει το μοντέλο AI (περίπου 17 MB) από αυτόν τον ιστότοπο· οι επόμενες εκτελέσεις χρησιμοποιούν το αντίγραφο που είναι αποθηκευμένο στο πρόγραμμα περιήγησής σας. Για PDF όπου πολλές σελίδες έχουν κείμενο, το εργαλείο ρωτά πριν από τη λήψη του μοντέλου AI. Σε συσκευές που δεν μπορούν να χρησιμοποιήσουν την GPU (WebGPU), η επεξεργασία εκτελείται στην CPU και διαρκεί περισσότερο από ό,τι στην GPU.
Από τις σελίδες που έχουν ήδη επίπεδο κειμένου OCR, εξάγεται αυτό το κείμενο. Στις σελίδες που συνδυάζουν κείμενο και εικόνες, εξάγεται το κείμενο και διαβάζονται τα μέρη που δεν επικαλύπτουν το κείμενο. Αν οι σελίδες προς ανάγνωση με OCR είναι περισσότερες από όσες μπορούν να διαβαστούν με μία φορά, οι σελίδες χωρίς κείμενο διαβάζονται από την αρχή και εμφανίζονται οι αριθμοί των σελίδων που δεν διαβάστηκαν. Το αποθηκευμένο αρχείο είναι αρχείο κειμένου UTF-8 (.txt). Μπορείτε να επιλέξετε τι μπαίνει ανάμεσα στις σελίδες στις «Αλλαγές σελίδας» (από προεπιλογή, μια διαχωριστική γραμμή όπως «--- 1 / 3 ---»).
Προδιαγραφές αυτού του εργαλείου
- Είσοδος
- Έξοδος
- TXT
- Όρια
- Χωρίς όριο στον αριθμό αρχείων (μαζική επεξεργασία). Έως 200 MB ανά αρχείο (100 MB σε κινητά και tablet). Ανάγνωση με OCR έως 200 σελίδων τη φορά (30 σελίδες σε συσκευές που επεξεργάζονται στην CPU· εμφανίζονται οι αριθμοί των σελίδων που περισσεύουν)
- Δωρεάν, χωρίς εγγραφή, χωρίς εγκατάσταση εφαρμογής
- Τα αρχεία δεν μεταφορτώνονται ποτέ (η επεξεργασία γίνεται στο πρόγραμμα περιήγησης)
Συχνές ερωτήσεις
Αποστέλλεται το PDF μου σε διακομιστή;
Όχι. Το άνοιγμα του PDF, η εξαγωγή του κειμένου και η ανάγνωση του κειμένου στις σαρωμένες σελίδες γίνονται όλα στο πρόγραμμα περιήγησης της συσκευής σας. Στατιστικά που μας βοηθούν να διορθώνουμε σφάλματα (εύρος αριθμού σελίδων, εύρος του από πόσες σελίδες εξήχθη κείμενο και πόσες διαβάστηκαν με OCR, εύρος του χρόνου ανά σελίδα, τύποι σφαλμάτων κ.λπ.) αποστέλλονται στον διακομιστή αυτού του ιστοτόπου. Δεν περιλαμβάνουν το περιεχόμενο του PDF, το κείμενο που εξήχθη, το κείμενο που αναγνωρίστηκε, ονόματα αρχείων, κωδικούς πρόσβασης ή τα εύρη σελίδων που εισάγετε. Μπορείτε να απενεργοποιήσετε τα στατιστικά με τον διακόπτη «Αποστολή στατιστικών επεξεργασίας» στο κάτω μέρος της σελίδας.
Μπορεί να εξαγάγει κείμενο από σαρωμένο PDF;
Ναι. Οι σελίδες χωρίς κείμενο και οι σελίδες των οποίων το κείμενο είναι αλλοιωμένο διαβάζονται με OCR (οπτική αναγνώριση χαρακτήρων). Είναι σχεδιασμένο για τυπωμένο κείμενο γραμμένο οριζόντια. Διαβάζει και σελίδες με κάθετο κείμενο, αλλά με περισσότερα λάθη από ό,τι στο οριζόντιο κείμενο, και μπορεί να παραλείψει σημεία στίξης. Το χειρόγραφο κείμενο δεν υποστηρίζεται. Για να κάνετε ένα PDF αναζητήσιμο και να το κρατήσετε ως PDF, χρησιμοποιήστε το «OCR για PDF».
Μπορεί να εξαγάγει κείμενο από PDF με κωδικό πρόσβασης ή PDF με περιορισμούς από τον δημιουργό;
Ναι. Ένα PDF με κωδικό πρόσβασης ανοίγει μόλις εισαγάγετε τον κωδικό ανοίγματος. Αν ο δημιουργός έχει περιορίσει την αντιγραφή και την εξαγωγή, το εργαλείο δεν εξάγει το κείμενο μέχρι να εισαγάγετε τον κωδικό δικαιωμάτων. Αυτό το εργαλείο δεν μαντεύει κωδικούς πρόσβασης, οπότε αν δεν γνωρίζετε τον κωδικό δικαιωμάτων, απευθυνθείτε στο άτομο που δημιούργησε το PDF. Ένα αρχείο κειμένου (TXT) δεν μπορεί να έχει κωδικό πρόσβασης ή περιορισμούς, οπότε οποιοσδήποτε μπορεί να ανοίξει το αρχείο που αποθηκεύετε. Κείμενο κρυμμένο κάτω από σχόλια, όπως μαύρα πλαίσια, εξάγεται επίσης αν εξακολουθεί να υπάρχει στο αρχείο ως κείμενο· για να διαγράψετε κείμενο από το αρχείο, χρησιμοποιήστε το «Μαύρισμα PDF».
Μπορεί το κείμενο που εξήχθη να περιέχει λάθη;
Ναι. Στις σελίδες που διαβάζονται με OCR, ορισμένοι χαρακτήρες μπορεί να διαβαστούν λάθος ή να παραλειφθούν, ανάλογα με το μέγεθος του κειμένου, την ανάλυση της σάρωσης και τους λεκέδες ή την κλίση του χαρτιού. Οι αριθμοί με μεγάλα κενά μεταξύ τους σε πίνακες διαβάζονται λάθος συχνότερα από το υπόλοιπο κείμενο. Όταν ως γλώσσα εγγράφου έχει επιλεγεί «Ιαπωνικά», χαρακτήρες εκτός των συνόλων kanji JIS επιπέδου 1 και 2 και τα emoji μπορεί να διαβαστούν ως χαρακτήρες με παρόμοια εμφάνιση. Οι στήλες και οι πίνακες μπορεί να βγουν με σειρά διαφορετική από τη σειρά ανάγνωσης. Οι σελίδες που έχουν κείμενο ακολουθούν τη σειρά που είναι αποθηκευμένη στο PDF, και στις σελίδες που διαβάζονται με OCR, ένας πίνακας με μεγάλα κελιά μπορεί να βγει μία στήλη τη φορά. Πατήστε «Έλεγχος αναγνωρισμένου κειμένου» για να δείτε τις γραμμές που διαβάστηκαν με OCR με περίγραμμα πάνω στη σελίδα, με τις γραμμές που είναι πιθανότερο να έχουν λάθη σε διαφορετικό χρώμα.
Βοηθήστε μας να βελτιώσουμε την υπηρεσία
Αν μια μετατροπή ή μια συμπίεση αποτύχει, η αποστολή των συνθηκών μάς βοηθά να εντοπίσουμε την αιτία. Γνωρίζοντας ποιες συσκευές και μορφές αποτυγχάνουν συχνότερα και πόσο διαρκεί η επεξεργασία, μπορούμε να αναθεωρούμε τις υποστηριζόμενες μορφές και να διορθώνουμε τα σφάλματα που βρίσκονται πίσω από αυτές. Αν δεν σας ενοχλεί, αφήνοντάς το ενεργό μας βοηθάτε πραγματικά.
Τι αποστέλλεται
- Το εργαλείο που χρησιμοποιήσατε και οι ρυθμίσεις που επιλέξατε (μορφή εξόδου, ποιότητα κ.λπ.)
- Τα χαρακτηριστικά της συσκευής σας (GPU, μνήμη, αριθμός πυρήνων)
- Η μορφή εισόδου με ένα κατά προσέγγιση μέγεθος
- Πόσα αρχεία πέτυχαν ή απέτυχαν και πόσο χρόνο χρειάστηκε
- Το είδος και οι λεπτομέρειες του σφάλματος όταν κάτι αποτυγχάνει
Τι δεν αποστέλλεται ποτέ
- Τα ίδια τα αρχεία και τα ονόματα αρχείων
- Το κείμενο των PDF, το κείμενο που ξαναγράψατε ή μαυρίσατε, οι κωδικοί πρόσβασης, τα ονόματα γραμματοσειρών και τα εύρη σελίδων που εισάγετε
- Το αναγνωρισμένο κείμενο και οι θέσεις των αναγνωρισμένων γραμμών
- Οι διευθύνσεις IP
Τα δεδομένα πηγαίνουν μόνο στον διακομιστή αυτού του ιστοτόπου, ποτέ σε υπηρεσία τρίτων.
Για την πλήρη λίστα, μαζί με τις λεπτομέρειες που στέλνει κάθε εργαλείο, δείτε την ενότητα «Στατιστικά επεξεργασίας» στην πολιτική απορρήτου.
Λεπτομέρειες που στέλνει αυτό το εργαλείο (μόνο αριθμοί, χρόνοι, είδη και ναι/όχι)
Εκτός από όσα αναφέρονται στο «Τι αποστέλλεται», αυτό το εργαλείο στέλνει τις παρακάτω λεπτομέρειες.
- Εργαλεία PDF (όλα)
- Το εύρος του αριθμού σελίδων, αν η επεξεργασία είναι περιορισμένη, αν εισήχθη κωδικός δικαιωμάτων και αν το PDF είναι υπογεγραμμένο ή κρυπτογραφημένο.
- PDF σε κείμενο
- Ο αριθμός εισόδων και εξόδων, σελίδων από τις οποίες εξήχθη κείμενο, σελίδων που είχαν ήδη κείμενο OCR, σελίδων που συνδυάζουν κείμενο και εικόνες, σελίδων που αναγνώστηκαν με OCR, σελίδων που αναγνώστηκαν χωρίς να βρεθεί κείμενο, σελίδων με αλλοιωμένο κείμενο, κενών σελίδων, σελίδων που αναδιατάχθηκαν ως κάθετο κείμενο, σελίδων με διορθωμένο προσανατολισμό, σελίδων που δεν αναγνώστηκαν επειδή δεν έγινε λήψη του μοντέλου AI και σελίδων που δεν αναγνώστηκαν επειδή ξεπερνούσαν τον αριθμό σελίδων που μπορούν να αναγνωστούν με μία φορά, γραμμών και χαρακτήρων που αναγνώστηκαν, και περιοχών και χαρακτήρων που δεν αναγνώστηκαν επειδή επικαλύπτονταν με υπάρχον κείμενο ή σχόλια (όλα ως εύρη), τα εύρη του ποσοστού κάθετων γραμμών και γραμμών με μεγαλύτερη πιθανότητα σφαλμάτων, τα εύρη του χρόνου ανά σελίδα και του χρόνου φόρτωσης του μοντέλου AI, ο τύπος και η έκδοση του μοντέλου AI και αν έγινε λήψη του, αν το εργαλείο ρώτησε πριν από τη λήψη του μοντέλου AI, το εύρος της ανάλυσης απόδοσης και αν μειώθηκε, το εύρος του αριθμού τμημάτων στα οποία χωρίστηκε μια εικόνα για την εύρεση κειμένου, αν ο εκτιμώμενος χρόνος ξεπέρασε τα 15 λεπτά και αν η GPU έπαψε να είναι διαθέσιμη.