PDF से टेक्स्ट निकालें

PDF की टेक्स्ट लेयर निकालकर सादी .txt फाइल में सेव करें। पढ़ने का क्रम और कॉलम वैसे ही बने रहते हैं।

फाइलें यहां छोड़ें

.pdf · 300 MB तक

फाइलें चुनें

लगातार पैराग्राफपेज का लेआउट बनाए रखें

और सेटिंग

पेजपेज कहां खत्म होता है, यह दिखाएंहाइफन से टूटे शब्द जोड़ेंएन्कोडिंग

कैसे टेक्स्ट निकालें

1
अपनी PDF डालें
एक फाइल डालें या बीस तक। डॉक्यूमेंट आपका अपना ब्राउजर खोलता है, इसलिए कुछ भी नेटवर्क पर नहीं जाता।
2
बहाव या मूल लेआउट चुनें
बहाव वाला लेआउट पढ़ने और एडिट करने के लिए पैराग्राफ दोबारा जोड़ता है; मूल लेआउट शब्दों को पेज पर उनकी जगह पर रखता है, स्पेस समेत।
3
.txt डाउनलोड करें
बटन दबाएं और फाइल सेव करें। कई PDF का बैच टेक्स्ट फाइलों के एक ZIP के रूप में मिलता है।

पढ़ने का क्रम पेज से आता है, फाइल से नहीं

PDF टेक्स्ट को हजारों टुकड़ों में रखती है, हर टुकड़ा अपनी जगह पर, और वे उसी क्रम में बने होते हैं जो उसे बनाने वाले प्रोग्राम ने इस्तेमाल किया। उन्हें इसी कच्चे क्रम में पढ़ें, तो दो कॉलम वाला लेख आधे-आधे वाक्यों की खिचड़ी बन जाता है। यह टूल फाइल के क्रम को नजरअंदाज करके पेज को दोबारा बनाता है। टुकड़े अपनी बेसलाइन के हिसाब से लाइनों में जुड़ते हैं, लाइनें पेज पर ऊपर से नीचे जाती खाली पट्टियों के हिसाब से कॉलम में बंटती हैं, और कॉलम बाएं से दाएं पढ़े जाते हैं। जहां लाइनों के बीच की खड़ी दूरी सामान्य से ज्यादा हो जाती है, वहां पैराग्राफ खत्म होता है, और लाइन के अंत में हाइफन से टूटे शब्द फिर से जोड़ दिए जाते हैं। आपको ऐसा टेक्स्ट मिलता है, जिसे पहले साफ किए बिना ईमेल, अनुवादक या स्क्रिप्ट में पेस्ट किया जा सकता है।

लेआउट, एनकोडिंग और पेज रेंज

बहाव वाला लेआउट पढ़ने के लिए है: हर ब्लॉक का एक पैराग्राफ, बीच में टूटी-फूटी लाइनें नहीं। मूल लेआउट स्पेस भरकर असली ज्यामिति बचाता है। रसीदों, सूचियों, कोड और ऐसी हर चीज के लिए यही चाहिए, जहां कॉलम का अपना मतलब होता है। आउटपुट डिफॉल्ट रूप से UTF-8 में होता है। पुराने Windows टूल के लिए BOM वाला रूप है, और पुराने सिरिलिक सिस्टम के लिए Windows-1251 का विकल्प। अगर बहुत सारे अक्षर उस कोडपेज में नहीं आते, तो आपको फाइल लिखे जाने से पहले बताया जाता है, बाद में नहीं। पेज मार्कर बंद किए जा सकते हैं, और पूरे डॉक्यूमेंट की जगह 1-3, 5 जैसी रेंज निकाली जा सकती है।

डॉक्यूमेंट आपके डिवाइस से बाहर नहीं जाता

टेक्स्ट निकालने का काम आपके ब्राउजर टैब के अंदर चलता है: PDF मेमोरी में पढ़ी जाती है, टेक्स्ट वहीं जुड़ता है और .txt सीधे आपके डाउनलोड फोल्डर में जाती है। कुछ भी अपलोड नहीं होता, सर्वर पर कोई कतार नहीं लगती, और बाद में किसी के हटाने के लिए कोई कॉपी नहीं बचती। टैब बंद करें, और सब मिट जाता है। इसी वजह से कॉन्ट्रैक्ट और मेडिकल रिकॉर्ड भी इससे निकालना सुरक्षित है।

अक्सर पूछे जाने वाले सवाल

मेरी स्कैन की गई PDF से कुछ क्यों नहीं निकलता?

क्योंकि स्कैन टेक्स्ट की तस्वीर है, टेक्स्ट नहीं। निकालने के लिए कोई टेक्स्ट लेयर नहीं होती, इसलिए आपको साफ संदेश और OCR का लिंक मिलता है। OCR इमेज से अक्षर पढ़ता है और डॉक्यूमेंट को सर्च करने लायक बनाता है। उसके बाद टेक्स्ट सामान्य तरीके से निकलता है।

बहाव और मूल लेआउट में क्या फर्क है?

बहाव वाला लेआउट लाइनों को फिर से पैराग्राफ में जोड़ता है और मूल लाइन ब्रेक हटा देता है, यह पढ़ने और एडिट करने के लिए सबसे अच्छा है। मूल लेआउट स्पेस की मदद से हर शब्द को पेज पर उसकी जगह पर रखता है, यह टेबल, रसीदों और तय चौड़ाई वाली सूचियों के लिए सबसे अच्छा है।

कॉलम और टेबल का क्या होता है?

कॉलम उनके बीच की खाली पट्टी से पहचाने जाते हैं, इसलिए दायां कॉलम शुरू होने से पहले बायां पूरा पढ़ लिया जाता है। टेबल की रो, रो ही रहती हैं: पतले सेल वाली ग्रिड को कभी कॉलम नहीं समझा जाता, इसलिए एक रो के सेल एक ही लाइन पर रहते हैं।

क्या हाइफन से टूटी लाइनें ठीक होती हैं?

हां, बहाव वाले लेआउट में। जो अंग्रेजी शब्द एक लाइन के अंत में infor- और अगली लाइन की शुरुआत में mation बनकर टूटा है, वह फिर से information बन जाता है। शब्दों के अंदर के असली हाइफन, जैसे de-hyphenation में, वैसे ही रहते हैं।

क्या यह सिरिलिक, अरबी और चीनी के साथ काम करता है?

हां। टेक्स्ट UTF-8 में लिखा जाता है, इसलिए PDF की हर लिपि सही-सलामत पहुंचती है, जिसमें सिरिलिक, ग्रीक, अरबी, हिब्रू, जापानी, कोरियन और चीनी शामिल हैं। Windows-1251 सिर्फ उन पुराने सिरिलिक कामों के लिए दिया जाता है, जिन्हें इसकी जरूरत है।

फॉर्मेटिंग का क्या होता है?

वह हट जाती है, क्योंकि .txt फाइल में फॉर्मेटिंग होती ही नहीं। बोल्ड, रंग, फॉन्ट साइज, इमेज और टेबल नहीं बचते। अगर हेडिंग, लिस्ट और लिंक को ढांचे के रूप में बचाना है, तो इसकी जगह PDF से Markdown इस्तेमाल करें, या पूरी तरह एडिट होने वाले डॉक्यूमेंट के लिए PDF से Word।

क्या मेरी फाइल सर्वर पर अपलोड होती है?

नहीं। पूरा काम आपके ब्राउजर में उसी के PDF इंजन से चलता है। फाइल कहीं नहीं भेजी जाती, अकाउंट के बिना चलती है, और बड़े डॉक्यूमेंट के बीच में इंटरनेट चला जाए, तब भी काम चलता रहता है।

कितनी बड़ी PDF से टेक्स्ट निकाल सकते हैं?

हर फाइल 2 GB तक, और एक साथ बीस फाइलें तक। पेज एक-एक करके प्रोसेस होते हैं और कुछ भी रेंडर नहीं होता, इसलिए पांच सौ पेज का डॉक्यूमेंट भी कुछ सौ मेगाबाइट मेमोरी में आराम से निपट जाता है।