PDF konvertálása szöveggé

Ingyenes eszköz, amely kinyeri a PDF szövegét, és szöveges (TXT) fájllá alakítja. A szöveget tartalmazó oldalakról a szöveg változatlanul kinyerhető, a beszkennelt oldalak szövegét pedig OCR (optikai karakterfelismerés) olvassa be. A PDF feldolgozása a böngészőben történik, és soha nem töltődik fel. Az OCR egyszerre legfeljebb 200 oldalt olvas be (azokon az eszközökön, ahol a feldolgozás tovább tart, 30 oldalt). Fájlonként legfeljebb 200 MB-os PDF-et nyithat meg (telefonon és táblagépen 100 MB-osat).

A környezet ellenőrzése…

Csak ha a PDF-ben vannak szöveg nélküli (például beszkennelt) vagy hibás karakterkódolású szöveget tartalmazó oldalak, akkor tölt le az első futtatás egy AI-modellt (kb. 17 MB) erről az oldalról; a későbbi futtatások a böngészőben tárolt példányt használják. A PDF-ek soha nem töltődnek fel.

Beállítások

Használat

  1. 1

    PDF-ek hozzáadása

    Válassza ki vagy húzza ide a szöveggé konvertálandó PDF-eket. Egyszerre több PDF-et is hozzáadhat. A PDF-ek soha nem töltődnek fel.

  2. 2

    A dokumentum nyelvének és az oldaltöréseknek a kiválasztása

    A „Dokumentum nyelve” alatt válassza ki, milyen nyelven íródott a PDF (a beszkennelt oldalak beolvasásához használatos). Ha csak bizonyos oldalakat szeretne konvertálni, adja meg őket az „Oldaltartomány” mezőben. Az „Oldaltörések” alatt válassza ki, mi kerüljön az oldalak közé.

  3. 3

    Konvertálás és mentés

    A „Futtatás” gombbal a PDF szövegét tartalmazó TXT-fájl készül. Mentse a „Mentés” gombbal, vagy másolja ki az egészet a „Szöveg másolása” gombbal. Ha beszkennelt oldalak beolvasása is történt, a felismert sorokat „A felismert szöveg ellenőrzése” gombbal tekintheti át.

A PDF szöveggé konvertálásáról

A szöveget tartalmazó oldalakról a PDFium, a Chrome-ban is használt PDF-motor nyeri ki a szöveget, AI-modell nélkül. A szöveg nélküli és a hibás karakterkódolású szöveget tartalmazó oldalakat (a szöveg kijelölésekor más karakterek jelennek meg) a PaddleOCR szövegfelismerő modellje (PP-OCRv6, Apache-2.0) olvassa be, amely a böngészőben fut. Csak ilyenkor töltődik le az első futtatáskor az AI-modell (kb. 17 MB) erről az oldalról; a későbbi futtatások a böngészőben tárolt példányt használják. Ha a PDF-ben sok oldal tartalmaz szöveget, az eszköz rákérdez, mielőtt letölti az AI-modellt. Azokon az eszközökön, amelyek nem tudják használni a GPU-t (WebGPU), a feldolgozás a CPU-n fut, és tovább tart, mint a GPU-n.

A már OCR-szövegréteggel rendelkező oldalakról ennek a szövege kerül kinyerésre. A szöveget és képeket vegyesen tartalmazó oldalakon a szöveg kinyerésre kerül, a szöveggel nem átfedő részek pedig beolvasásra. Ha több oldalt kellene OCR-rel beolvasni, mint amennyi egyszerre lehetséges, a szöveg nélküli oldalak beolvasása az elejétől indul, és megjelennek a be nem olvasott oldalak számai. A mentett fájl UTF-8 kódolású szöveges fájl (.txt). Az „Oldaltörések” alatt kiválaszthatja, mi kerüljön az oldalak közé (alapértelmezés szerint egy elválasztó sor, például: „--- 1 / 3 ---”).

Az eszköz műszaki adatai

Bemenet
PDF
Kimenet
TXT
Korlátok
A fájlok száma nincs korlátozva (kötegelt feldolgozás). Fájlonként legfeljebb 200 MB (telefonon és táblagépen 100 MB). Egyszerre legfeljebb 200 oldal beolvasása OCR-rel (a CPU-n feldolgozó eszközökön 30 oldal; a kimaradt oldalak oldalszámai megjelennek)
  • Ingyenes, regisztráció és telepítendő alkalmazás nélkül
  • A fájlok soha nem töltődnek fel (feldolgozás a böngészőben)

Gyakori kérdések

Felkerül a PDF egy szerverre?

Nem. A PDF megnyitása, a szöveg kinyerése és a szöveg OCR-rel való beolvasása egyaránt a saját eszközén, a böngészőben történik. A hibák javítását segítő statisztikák (az oldalszám tartománya, a szövegkinyeréssel és az OCR-rel feldolgozott oldalak számának tartománya, az oldalankénti idő tartománya, a hibák típusa stb.) az oldal szerverére kerülnek. Ezek nem tartalmazzák a PDF tartalmát, a kinyert szöveget, a felismert szöveget, a fájlneveket, a jelszavakat és a megadott oldaltartományokat. A statisztikák küldését az oldal alján található „Feldolgozási statisztikák küldése” kapcsolóval kapcsolhatja ki.

Ki tudja nyerni a szöveget beszkennelt PDF-ből?

Igen. A szöveg nélküli és a hibás karakterkódolású szöveget tartalmazó oldalakat OCR (optikai karakterfelismerés) olvassa be. Vízszintesen írt nyomtatott szöveghez készült. A függőleges szövegű oldalakat is beolvassa, de több hibával, mint a vízszintes szöveget, és kihagyhat írásjeleket. A kézírás nem támogatott. Ha a PDF-et kereshetővé szeretné tenni és PDF-ként megtartani, használja a „PDF OCR” eszközt.

Ki tudja nyerni a szöveget jelszóval védett vagy a szerző által korlátozott PDF-ből?

Igen. A jelszóval védett PDF a megnyitási jelszó megadása után nyílik meg. Ha a szerző korlátozta a másolást és a kinyerést, az eszköz csak az engedélyjelszó megadása után nyeri ki a szöveget. Ez az eszköz nem próbál jelszavakat kitalálni, ezért ha nem ismeri az engedélyjelszót, kérdezze meg a PDF készítőjét. A szöveges (TXT) fájlhoz nem tartozhat jelszó vagy korlátozás, így a mentett fájlt bárki megnyithatja. A megjegyzések, például fekete téglalapok alatt rejtett szöveg is kinyerésre kerül, ha szövegként még a fájlban van; ha a szöveget a fájlból is törölni szeretné, használja a „PDF kitakarása” eszközt.

Tartalmazhat hibákat a kinyert szöveg?

Igen. Az OCR-rel beolvasott oldalakon a betűmérettől, a szkennelés felbontásától, valamint a papír foltjaitól vagy ferdeségétől függően egyes karaktereket tévesen ismerhet fel, vagy kihagyhat. A táblázatokban egymástól távol álló számokat gyakrabban ismeri fel tévesen, mint a többi szöveget. Ha a dokumentum nyelveként a „Japán” van kiválasztva, a JIS 1. és 2. szintű kandzsikészleten kívüli karakterek és az emojik hasonló kinézetű karakterként kerülhetnek felismerésre. A hasábok és a táblázatok az olvasási sorrendtől eltérő sorrendben is megjelenhetnek. A szöveget tartalmazó oldalak a PDF-ben tárolt sorrendet követik, az OCR-rel beolvasott oldalakon pedig a hosszú cellákat tartalmazó táblázatok oszloponként is megjelenhetnek. „A felismert szöveg ellenőrzése” gombbal az oldalon bekeretezve láthatja az OCR-rel beolvasott sorokat, a nagyobb valószínűséggel hibás sorokat pedig más színnel.

A szolgáltatás fejlesztésének támogatása

Ha egy konvertálás vagy tömörítés nem sikerül, a körülmények elküldésével segít felderíteni az okát. Ha tudjuk, mely eszközökön és formátumokkal fordul elő leggyakrabban hiba, és mennyi ideig tart a feldolgozás, felülvizsgálhatjuk a támogatott formátumokat, és kijavíthatjuk a mögöttük álló hibákat. Ha nem bánja, sokat segít, ha bekapcsolva hagyja.

Mit küldünk el?

  • A használt eszköz és a választott beállítások (kimeneti formátum, minőség stb.)
  • Az eszköz jellemzői (GPU, memória, magok száma)
  • A bemeneti formátum a hozzávetőleges méretével
  • Hány fájl feldolgozása sikerült vagy hiúsult meg, és mennyi ideig tartott
  • Hiba esetén a hiba típusa és részletei

Mit nem küldünk el soha?

  • Magukat a fájlokat és a fájlneveket
  • A PDF-ekben lévő szöveget, a lecserélt vagy kitakart szöveget, a jelszavakat, a betűtípusneveket és a megadott oldaltartományokat
  • A felismert szöveget és a felismert sorok pozícióját
  • Az IP-címeket

Az adatok csak az oldal saját szerverére jutnak, soha nem kerülnek külső szolgáltatáshoz.
A teljes listát, az egyes eszközök által küldött részletekkel együtt, az adatvédelmi irányelvek „Feldolgozási statisztikák” részében találja.

Az ezen eszköz által küldött részletek (csak darabszámok, idők, típusok és igen/nem értékek)

A „Mit küldünk el?” részben felsoroltakon kívül ez az eszköz a következő részleteket is elküldi.

PDF-eszközök (mind)
Az oldalszám tartománya, hogy korlátozott-e a szerkesztés, hogy megadtak-e engedélyjelszót, és hogy a PDF alá van-e írva vagy titkosítva van-e.
PDF-ből szöveg
A bemenetek és kimenetek, a kinyert szövegű oldalak, a már OCR-szöveggel rendelkező oldalak, a szöveget és képet vegyesen tartalmazó oldalak, az OCR-rel beolvasott oldalak, a szöveg nélkül beolvasott oldalak, a hibás karakterkódolású szöveget tartalmazó oldalak, az üres oldalak, a függőleges szövegként átrendezett oldalak, a javított tájolású oldalak, az AI-modell letöltésének hiánya miatt be nem olvasott oldalak és az egyszerre beolvasható oldalszámon túli, be nem olvasott oldalak, a beolvasott sorok és karakterek, valamint a meglévő szöveggel vagy megjegyzésekkel való átfedés miatt be nem olvasott területek és karakterek száma (mind tartományként), a függőleges sorok és a nagyobb eséllyel hibás sorok arányának tartománya, az oldalankénti idő és az AI-modell betöltési idejének tartománya, az AI-modell típusa és verziója, és hogy le kellett-e tölteni, hogy az eszköz rákérdezett-e az AI-modell letöltése előtt, a megjelenítési felbontás tartománya és hogy csökkent-e, annak tartománya, hogy hány részre osztották a képet a szöveg kereséséhez, hogy a becsült idő meghaladta-e a 15 percet, és hogy elérhetetlenné vált-e a GPU.

Kapcsolódó eszközök