PDF naar Tekst — Gratis Online Tekst Extractor

Een digitale PDF is geproduceerd door software, dus het bevat de karakters zelf. Een gescande PDF is een stapel pagina-afbeeldingen geproduceerd door een scanner of een camera, dus het bevat helemaal geen karakters. Dat verschil bepaalt alles over het resultaat. Het digitale bestand geeft je exacte tekst. Het gescande bestand moet worden herkend, en de herkenning is erg goed bij schone scans en minder goed bij scheve, vage of slecht verlichte scans. Je kunt meestal vertellen welke soort je hebt door het bestand te openen in een PDF-lezer en te proberen een regel tekst met je muis te selecteren. Als de selectie woorden markeert, is er een tekstlaag.

Voor pagina's met een echte tekstlaag, ja. De karakters worden uit het bestand gelezen in plaats van herkend uit een afbeelding, dus er draait geen OCR op hen en er is niets om verkeerd te lezen. De leesvolgorde is het enige dat je nog kan verrassen, omdat de tekstlaag opslaat waar elke reeks karakters zich bevindt in plaats van wat het betekent, dus een pagina met kolommen of zijbalken kan in een volgorde komen die niet overeenkomt met de manier waarop je ogen bewegen. De woorden zelf zijn de woorden in het bestand. Pagina's zonder tekstlaag gaan in plaats daarvan door OCR, en die hebben de gebruikelijke herkenningsnauwkeurigheid.

Tot 25 pagina's per PDF. Een langer bestand wordt nog steeds geaccepteerd: de eerste 25 pagina's worden geëxtraheerd en een melding over het resultaat vertelt je hoeveel pagina's zijn weggelaten. De limiet is er omdat het werk op je eigen hardware draait, en een lang gescand document betekent één OCR-pass per pagina in je browser-tab. Als je de rest nodig hebt, splits het bestand in een PDF-lezer en voer de resterende pagina's als een tweede bestand uit.

Nee. Een versleutelde PDF kan niet worden geopend zonder het wachtwoord, en deze pagina vraagt je er niet om of probeert de bescherming te omzeilen. Je krijgt een duidelijke foutmelding in plaats van een leeg resultaat. Open het bestand in de lezer die je normaal gebruikt, authenticeer op de manier die je normaal doet, sla een kopie op met het wachtwoord verwijderd en voer die kopie hier door.

Nee. Het bestand wordt van je schijf gelezen in de pagina en geopend door een PDF-lezer die in je browser draait. Er is geen upload-eindpunt op deze site om het te ontvangen. Dat is het hele punt voor de documenten die mensen daadwerkelijk naar een tool zoals deze brengen: bankafschriften, loonstroken, belastingformulieren, ondertekende contracten en scans van een ID. Kijk naar het netwerktabblad tijdens een run en je zult de lezer en het OCR-model zien aankomen, en niets dat je document verlaat.

De OCR-kant leest Engels, Spaans, Roemeens, Arabisch, Grieks, Turks, Indonesisch, Russisch en Japans. Kies de taal voordat je extraheren, omdat de engine vormen vergelijkt met het model dat je kiest en het verkeerde model slecht leest. Pagina's die al een tekstlaag hebben, negeren de instelling volledig, aangezien die karakters uit het bestand worden gelezen zoals ze zijn, ongeacht in welk schrift ze zijn geschreven.

Ja. Selecteer een batch en de bestanden worden sequentieel verwerkt in plaats van parallel. Elk resultaat verschijnt zodra het bestand is voltooid, zodat je kunt beginnen met lezen terwijl de rest nog steeds draait. De dropzone toont de limiet voor een enkele run. Sequentiële verwerking houdt het geheugengebruik voorspelbaar, wat vooral belangrijk is op een telefoon.

Nee. De output is platte tekst, dus een tabel komt terug als de inhoud van de cellen in plaats van een raster, en koppen, voetnoten en bijschriften worden niet gemarkeerd als iets. De leesvolgorde kan ook verschillen van de visuele lay-out, omdat positie is wat het bestand opslaat en betekenis niet. Rechte proza komt bijna altijd in de juiste volgorde door. Een pagina met zijbalken, meerdere kolommen of een ingevuld formulier is waar je de output moet lezen voordat je erop vertrouwt.

Nee, en we zouden liever hier zeggen dan dat je het ontdekt met een bestand dat ertoe doet. De OCR-engine is getraind op gedrukte karakters. Handschrift, handtekeningen en handgeschreven formulier velden vallen buiten wat het kan doen, en wat daaruit komt is ruis in de vorm van tekst. Een gescande pagina die print met handschrift mengt, geeft je het gedrukte deel en nonsens waar het schrijven is.

Platte tekst. Kopieer het naar je klembord met één knop of download het als een .txt-bestand, met de pagina's gescheiden en gelabeld zodat je je plek in een lang document kunt vinden. Er is geen tekstverwerkerbestand, geen doorzoekbare PDF en geen opmaak die is overgedragen. Als je de woorden ergens anders nodig hebt, plak ze in een document, een spreadsheet of een vertaler.

Dat is de andere richting, en het heeft zijn eigen pagina op deze site. De JPG naar PDF-converter neemt foto's of scans en schrijft ze in een enkele PDF, in je browser, zonder iets te uploaden. Gebruik het wanneer je afbeeldingen hebt en een document nodig hebt. Gebruik deze pagina wanneer je een document hebt en de woorden eruit wilt halen.

Ja, gratis zonder account en zonder gebruiksstatistieken. Er is geen aanmelding, geen watermerk op de tekst, geen credits en geen betaald niveau dat een betere versie tegenhoudt. De extractie draait op je eigen hardware, dus er zijn geen kosten per bestand die we aan jou doorgeven.