Ubah PDF ke teks

Ambil lapisan teks dari PDF dan simpan sebagai file .txt biasa, dengan urutan baca dan kolom yang tetap utuh.

Letakkan file di sini

.pdf · hingga 300 MB

Pilih file

Paragraf mengalirPertahankan tata letak halaman

Pengaturan lainnya

HalamanTandai pergantian halamanSambungkan kembali kata yang terpenggalPengodean

Cara Ekstrak teks

1
Tambahkan PDF
Letakkan satu file atau hingga dua puluh file. Dokumen dibuka oleh browser Anda sendiri, jadi tidak ada yang dikirim lewat jaringan.
2
Pilih paragraf mengalir atau tata letak asli
Paragraf mengalir menyusun ulang paragraf agar mudah dibaca dan diedit. Tata letak asli menjaga setiap kata di posisinya pada halaman, lengkap dengan spasinya.
3
Unduh file .txt
Tekan tombol dan simpan file. Beberapa PDF sekaligus dikembalikan sebagai satu arsip ZIP berisi file teks.

Urutan baca diambil dari halaman, bukan dari file

PDF menyimpan teks sebagai ribuan potongan yang posisinya sudah ditentukan, dan potongan itu digambar dalam urutan apa saja yang kebetulan dipakai program pembuatnya. Bila dibaca kembali dalam urutan mentah itu, artikel dua kolom berubah menjadi potongan kalimat dari dua kolom yang saling bergantian. Alat ini mengabaikan urutan di dalam file dan menyusun ulang halaman: potongan dikelompokkan menjadi baris menurut garis dasarnya, baris dikelompokkan menjadi kolom menurut celah kosong yang memanjang ke bawah halaman, lalu kolom dibaca dari kiri ke kanan. Paragraf berakhir ketika jarak vertikal melebihi spasi baris normal, dan kata yang terpotong tanda hubung di akhir baris disambung kembali. Hasilnya adalah teks yang bisa langsung ditempel ke email, penerjemah, atau skrip tanpa perlu dibersihkan dulu.

Tata letak, encoding, dan rentang halaman

Paragraf mengalir cocok untuk membaca: satu paragraf per blok, tanpa baris yang terputus di tengah kalimat. Tata letak asli mempertahankan geometri halaman dengan mengisi jarak memakai spasi, dan itulah yang diperlukan untuk struk, daftar, kode, dan apa pun yang maknanya bergantung pada kolom. Secara bawaan hasilnya UTF-8, dengan varian BOM untuk alat Windows lama dan opsi Windows-1251 untuk sistem Sirilik lawas. Bila terlalu banyak karakter tidak muat di set karakter itu, Anda diberi tahu sebelum file ditulis, bukan sesudahnya. Penanda halaman bisa dimatikan, dan Anda bisa mengekstrak rentang seperti 1-3, 5, bukan seluruh dokumen.

Dokumen tidak pernah keluar dari perangkat Anda

Ekstraksi berjalan di dalam tab browser: PDF diurai di memori, teks disusun di sana, dan file .txt langsung diserahkan ke folder unduhan. Tidak ada yang dikirim, tidak ada yang mengantre di server, dan tidak ada salinan yang perlu dihapus siapa pun nanti. Tutup tab, dan semuanya hilang. Karena itulah kontrak dan rekam medis aman diproses di sini.

Pertanyaan yang sering diajukan

Mengapa PDF hasil scan saya tidak menghasilkan teks apa pun?

Karena hasil scan adalah gambar teks, bukan teks. Tidak ada lapisan teks yang bisa diekstrak, jadi Anda mendapat pesan yang jelas dan tautan ke OCR PDF, yang membaca huruf dari gambar dan membuat dokumen bisa dicari. Setelah itu, ekstraksi berjalan seperti biasa.

Apa beda paragraf mengalir dan tata letak asli?

Paragraf mengalir menyambung kembali baris menjadi paragraf dan membuang jeda baris asli, paling cocok untuk membaca dan mengedit. Tata letak asli menjaga setiap kata di posisinya pada halaman dengan bantuan spasi, paling cocok untuk tabel, struk, dan daftar berlebar tetap.

Bagaimana kolom dan tabel ditangani?

Kolom dikenali dari celah kosong di antaranya, jadi kolom kiri dibaca sampai habis sebelum kolom kanan dimulai. Baris tabel tetap menjadi baris: kisi sel yang sempit tidak pernah dianggap sebagai kolom, sehingga sel dalam satu baris tabel tetap berada di satu baris teks.

Apakah kata yang terpotong tanda hubung di akhir baris diperbaiki?

Ya, dalam mode paragraf mengalir. Kata yang terpotong menjadi infor- di akhir baris dan masi di awal baris berikutnya disambung kembali menjadi informasi. Tanda hubung asli di dalam kata, seperti pada e-KTP, dibiarkan apa adanya.

Apakah huruf Sirilik, Arab, dan Tionghoa didukung?

Ya. Teks ditulis sebagai UTF-8, jadi setiap aksara di dalam PDF tetap utuh, termasuk Sirilik, Yunani, Arab, Ibrani, Jepang, Korea, dan Tionghoa. Windows-1251 hanya disediakan untuk alur kerja Sirilik lawas yang membutuhkannya.

Apa yang terjadi pada pemformatan teks?

Pemformatan dibuang, karena file .txt tidak menyimpan pemformatan apa pun. Huruf tebal, warna, ukuran font, gambar, dan tabel tidak ikut. Bila judul, daftar, dan tautan perlu tetap menjadi struktur, pakai PDF ke Markdown, atau PDF ke Word untuk dokumen lengkap yang bisa diedit.

Apakah file saya dikirim ke server?

Tidak. Seluruh proses berjalan di browser Anda dengan mesin PDF bawaan alat ini. File tidak pernah dikirim ke mana pun, alat ini bisa dipakai tanpa akun, dan tetap bekerja bila koneksi terputus di tengah dokumen yang besar.

Seberapa besar PDF yang bisa diekstrak?

Hingga 2 GB per file, dan hingga dua puluh file sekaligus. Halaman diproses satu per satu dan tidak ada halaman yang diubah menjadi gambar, jadi dokumen lima ratus halaman tetap cukup dengan beberapa ratus megabyte memori.