PDF to Text – szöveg kinyerése PDF-ből

A PDF to Text a PDF-ben tárolt szöveget egyszerű, formázás nélküli szövegként adja vissza. Ez gyorsabb és pontosabb, mint oldalanként kijelölni és másolni, főleg hosszabb dokumentumnál. Ilyenkor jön jól:

• egy szerződés, szabályzat vagy jogszabály idézése, egy részlet beillesztése levélbe;
• egy hosszú PDF szövegének keresése, szószámlálása, fordítóba vagy jegyzetelőbe másolása;
• egy jelentés adatainak továbbfeldolgozása táblázatban vagy programban;
• egy PDF tartalmának archiválása kereshető, kicsi szövegfájlként;
• egy PDF akadálymentes olvasása képernyőolvasóval vagy felolvasó programmal.

A kinyert szöveg oldalanként, üres sorral elválasztva kerül a mezőbe.

A PDF to Text csak azt a szöveget tudja kinyerni, amely szövegként van a PDF-ben: ilyen minden PDF, amelyet Wordből, Google Dokumentumokból, számlázóprogramból, banki rendszerből vagy weboldalról mentettek.

Ha a PDF szkennelt, vagy telefonnal fotózott lapokból készült, az oldalak csak képek. Ilyenkor az eszköz ezt jelzi („nincs kinyerhető szöveg”), és a megoldás az OCR – szövegfelismerés PDF-ből: az a képen felismeri a betűket.

Gyors próba: ha a PDF-olvasóban ki tudsz jelölni egy szót, a szöveg kinyerhető. Ha az egész oldal egy képként jelölődik ki, OCR kell.

Vegyes PDF is előfordul: például egy Wordből készült beadvány, amelynek a végére beszkennelt mellékleteket fűztek. Ilyenkor a szöveges oldalak tartalma kijön, a szkennelt oldalak helyén pedig üres rész marad. Ezeket az oldalakat az OCR-rel külön dolgozd fel, az oldalszámok megadásával.

Egy 40 oldalas, Wordből exportált tanulmány PDF-ben 1,8 MB (benne néhány ábra és a beágyazott betűtípusok). A szövege:

• oldalanként kb. 450 szó, összesen kb. 40 × 450 = 18 000 szó;
• egy magyar szó átlagosan 6–7 betű plusz szóköz, így kb. 18 000 × 7,5 ≈ 135 000 karakter;
• TXT-ben (UTF-8 kódolással, ahol az ékezetes betűk 2 bájtosak) ez kb. 140–150 KB.

A szövegfájl tehát a PDF tizede alatt marad, és bármely programban megnyílik. A kinyert szöveg szavait és karaktereit a szószámláló vagy a karakterszámláló pontosan megszámolja – például ha egy pályázat vagy szakdolgozat terjedelmét kell ellenőrizni.

• Összecsúszott hasábok. Kéthasábos szövegnél (újság, tudományos cikk) a PDF a szövegdarabokat a tervezőprogram sorrendjében tárolja, ezért a kinyert szövegben a hasábok néha keverednek. Ilyenkor a részeket kézzel kell rendezni.
• Táblázatok. A táblázat cellái egymás után, szóközökkel elválasztva jönnek ki, a szerkezet elvész. Táblázathoz a PDF to Word vagy egy táblázatkezelő jobb.
• Elválasztott szavak. A sor végén kötőjellel elválasztott szavak („szöveg-feldolgozás” két sorban) kettéesnek; a keresés és csere eszközzel gyorsan javíthatók.
• Furcsa karakterek. Egyes PDF-ek egyedi betűkódolást használnak; ilyenkor a kinyert szöveg értelmetlen jelekből áll, bár a PDF-ben jól látszik. Ez a fájl hibája; segíthet, ha OCR-t futtatsz rá.
• Fejléc, lábléc, oldalszám. Ezek minden oldalon bekerülnek a szövegbe; a sorok szűrése eszközzel kiszűrheted őket.

Ha csak a szöveg kell, a PDF to Text a gyorsabb és tisztább. Ha a dokumentumot át akarod írni, és a címsorok, bekezdések szerkezetére is szükség van, válaszd a Word-konvertálást.

A PDF a böngésződben nyílik meg a pdf.js megjelenítővel, a szöveget is ott olvassa ki az eszköz. A fájl és a kinyert szöveg nem kerül fel szerverre, ezért belső dokumentumokkal, szerződésekkel, bérpapírokkal is nyugodtan használhatod. A letöltött TXT-fájl UTF-8 kódolású, így az ékezetes betűk minden mai programban helyesen jelennek meg.