PDF naar tekst converteren
Een gratis tool die de tekst uit een PDF haalt en omzet in een tekstbestand (TXT). Van pagina’s die tekst bevatten, wordt de tekst ongewijzigd geëxtraheerd, en de tekst op gescande pagina’s wordt gelezen met OCR (optische tekenherkenning). Je PDF wordt in je browser verwerkt en nooit geüpload. OCR kan tot 200 pagina’s per keer lezen (30 pagina’s op apparaten waarop de verwerking langer duurt). Je kunt PDF’s tot 200 MB per bestand openen (100 MB op telefoons en tablets).
Alleen als een PDF pagina’s zonder tekst (zoals gescande pagina’s) of met onleesbare tekst bevat, wordt bij de eerste keer een AI-model (ongeveer 17 MB) van deze site gedownload; daarna wordt de kopie gebruikt die in je browser is opgeslagen. Je PDF’s worden nooit geüpload.
Instellingen
Zo werkt het
- 1
PDF’s toevoegen
Kies de PDF’s die je naar tekst wilt converteren of sleep ze hierheen. Je kunt meerdere PDF’s tegelijk toevoegen. Je PDF’s worden nooit geüpload.
- 2
Taal van het document en pagina-einden kiezen
Kies bij “Taal van het document” de taal waarin de PDF is geschreven (gebruikt bij het lezen van gescande pagina’s). Wil je maar een deel van de pagina’s converteren, vul ze dan in bij “Paginabereik”. Kies bij “Pagina-einden” wat er tussen de pagina’s komt.
- 3
Converteren en opslaan
Druk op “Starten” om een TXT-bestand met de tekst van de PDF te maken. Sla het op met “Opslaan”, of kopieer alles met “Tekst kopiëren”. Als er gescande pagina’s zijn gelezen, kun je de herkende regels controleren met “Herkende tekst controleren”.
Over PDF naar tekst converteren
Pagina’s die tekst bevatten, worden zonder AI-model geëxtraheerd met PDFium, de PDF-engine die ook in Chrome wordt gebruikt. Pagina’s zonder tekst en pagina’s met verminkte tekst (bij het selecteren van de tekst krijg je andere tekens) worden gelezen met het tekstherkenningsmodel van PaddleOCR (PP-OCRv6, Apache-2.0), dat in je browser draait. Alleen dan wordt bij de eerste keer het AI-model (ongeveer 17 MB) van deze site gedownload; daarna wordt de kopie gebruikt die in je browser is opgeslagen. Bij PDF’s waarin veel pagina’s tekst bevatten, vraagt de tool eerst of het AI-model mag worden gedownload. Op apparaten die de GPU (WebGPU) niet kunnen gebruiken, draait de verwerking op de CPU en duurt ze langer dan op de GPU.
Bij pagina’s die al een OCR-tekstlaag hebben, wordt die tekst geëxtraheerd. Bij pagina’s met zowel tekst als afbeeldingen wordt de tekst geëxtraheerd en worden de delen gelezen die de tekst niet overlappen. Als er meer pagina’s met OCR moeten worden gelezen dan er in één keer kunnen, worden pagina’s zonder tekst vanaf het begin gelezen en worden de nummers van de niet-gelezen pagina’s getoond. Het opgeslagen bestand is een UTF-8-tekstbestand (.txt). Bij “Pagina-einden” kies je wat er tussen de pagina’s komt (standaard een scheidingslijn zoals “--- 1 / 3 ---”).
Specificaties van deze tool
- Invoer
- Uitvoer
- TXT
- Limieten
- Geen limiet op het aantal bestanden (batchverwerking). Tot 200 MB per bestand (100 MB op telefoons en tablets). Tot 200 pagina’s per keer met OCR gelezen (30 pagina’s op apparaten die op de CPU verwerken; van de pagina’s daarboven worden de nummers getoond)
- Gratis, zonder registratie, zonder app te installeren
- Bestanden worden nooit geüpload (verwerkt in je browser)
Veelgestelde vragen
Wordt mijn PDF naar een server gestuurd?
Nee. Het openen van de PDF, het extraheren van de tekst en het lezen van de tekst op gescande pagina’s gebeuren allemaal in de browser op je apparaat. Statistieken die ons helpen fouten op te lossen (het bereik van het aantal pagina’s, de bereiken van het aantal pagina’s waarvan tekst is geëxtraheerd en dat met OCR is gelezen, het bereik van de tijd per pagina, soorten fouten enzovoort) worden naar de server van deze site gestuurd. Daar horen de inhoud van de PDF, de geëxtraheerde tekst, de herkende tekst, bestandsnamen, wachtwoorden en de paginabereiken die je invoert niet bij. Je kunt de statistieken uitzetten met de schakelaar “Verwerkingsstatistieken versturen” onderaan de pagina.
Kan het tekst uit een gescande PDF halen?
Ja. Pagina’s zonder tekst en pagina’s met verminkte tekst worden gelezen met OCR (optische tekenherkenning). Het is gemaakt voor gedrukte, horizontaal geschreven tekst. Het leest ook pagina’s met verticale tekst, maar met meer fouten dan bij horizontale tekst, en het kan leestekens missen. Handgeschreven tekst wordt niet ondersteund. Wil je een PDF doorzoekbaar maken en als PDF behouden, gebruik dan “PDF OCR”.
Kan het tekst halen uit een met een wachtwoord beveiligde PDF, of uit een PDF die de auteur heeft beperkt?
Ja. Een met een wachtwoord beveiligde PDF gaat open zodra je het wachtwoord om te openen invoert. Als de auteur kopiëren en extraheren heeft beperkt, extraheert de tool de tekst pas nadat je het wachtwoord voor machtigingen hebt ingevoerd. Deze tool raadt geen wachtwoorden; als je het wachtwoord voor machtigingen niet kent, vraag het dan aan degene die de PDF heeft gemaakt. Een tekstbestand (TXT) kan geen wachtwoord of beperkingen bevatten, dus iedereen kan het bestand openen dat je opslaat. Tekst die onder annotaties zoals zwarte vakken verborgen is, wordt ook geëxtraheerd als hij nog als tekst in het bestand staat; om tekst uit het bestand te verwijderen, gebruik je dus “PDF zwartlakken”.
Kan de geëxtraheerde tekst fouten bevatten?
Ja. Op pagina’s die met OCR zijn gelezen, kunnen sommige tekens verkeerd worden gelezen of worden overgeslagen, afhankelijk van de tekstgrootte, de scanresolutie en vlekken of scheefstand op het papier. Getallen die in tabellen ver uit elkaar staan, worden vaker verkeerd gelezen dan andere tekst. Als “Japans” als taal van het document is gekozen, kunnen tekens buiten de kanjireeksen JIS-niveau 1 en 2 en emoji als gelijkende tekens worden gelezen. Kolommen en tabellen kunnen in een andere volgorde dan de leesvolgorde uitkomen. Pagina’s die tekst bevatten, volgen de volgorde die in de PDF is opgeslagen, en op pagina’s die met OCR zijn gelezen, kan een tabel met lange cellen kolom voor kolom uitkomen. Druk op “Herkende tekst controleren” om de met OCR gelezen regels omlijnd op de pagina te zien, waarbij regels met een grotere kans op fouten in een andere kleur worden getoond.
Help ons de dienst te verbeteren
Mislukt een conversie, dan helpt het ons bij het opsporen van de oorzaak als je ons de omstandigheden stuurt. Als we weten op welke apparaten en bij welke formaten het vaak misgaat en hoe lang de verwerking duurt, kunnen we de ondersteunde formaten herzien en de onderliggende fouten oplossen. Als je er geen bezwaar tegen hebt, help je ons echt door dit aan te laten staan.
Wat wordt verstuurd
- De tool die je hebt gebruikt en de instellingen die je hebt gekozen (uitvoerformaat, kwaliteit enz.)
- De specificaties van je apparaat (GPU, geheugen, aantal kernen)
- Het invoerformaat met een globale grootte
- Hoeveel bestanden zijn geslaagd of mislukt en hoe lang het duurde
- Het type en de details van de fout als er iets misgaat
Wat nooit wordt verstuurd
- De bestanden zelf en bestandsnamen
- De tekst in PDF’s, de tekst die je hebt herschreven of zwartgelakt, wachtwoorden, namen van lettertypen en de paginabereiken die je invoert
- De herkende tekst en de posities van de herkende regels
- IP-adressen
De gegevens gaan alleen naar de eigen server van deze site, nooit naar een externe dienst.
Zie voor de volledige lijst, inclusief de details die elke tool verstuurt, “Verwerkingsstatistieken” in het privacybeleid.
Details die deze tool verstuurt (alleen aantallen, tijden, soorten en ja/nee)
Naast “Wat wordt verstuurd” verstuurt deze tool de volgende details.
- PDF-tools (alle)
- Het bereik van het aantal pagina’s, of bewerken beperkt is, of er een wachtwoord voor machtigingen is ingevoerd en of de PDF ondertekend of versleuteld is.
- PDF naar tekst
- Het aantal invoer- en uitvoerbestanden, pagina’s waaruit tekst is gehaald, pagina’s die al OCR-tekst hadden, pagina’s met zowel tekst als afbeeldingen, pagina’s die met OCR zijn gelezen, gelezen pagina’s waarop geen tekst is gevonden, pagina’s met onleesbare tekst, lege pagina’s, pagina’s die als verticale tekst opnieuw zijn gerangschikt, pagina’s waarvan de oriëntatie is gecorrigeerd, pagina’s die niet zijn gelezen omdat het AI-model niet is gedownload en pagina’s die niet zijn gelezen omdat ze boven het aantal pagina’s lagen dat in één keer kan worden gelezen, gelezen regels en tekens, en gebieden en tekens die niet zijn gelezen omdat ze bestaande tekst of annotaties overlapten (alle als bereik), de bereiken van het aandeel verticale regels en van regels met een grotere kans op fouten, de bereiken van de tijd per pagina en van de laadtijd van het AI-model, het type en de versie van het AI-model en of het is gedownload, of de tool om bevestiging vroeg voordat het AI-model werd gedownload, het bereik van de weergaveresolutie en of die is verlaagd, het bereik van het aantal delen waarin een afbeelding is opgesplitst om tekst te zoeken, of de geschatte tijd meer dan 15 minuten bedroeg, en of de GPU onbruikbaar werd.