PDF به متن
همهٔ محتوای متنی فایل‌های PDF را استخراج و به‌صورت فایل‌های ساده .txt ذخیره می‌کند. از پردازش دسته‌ای پشتیبانی می‌کند؛ چند PDF بارگذاری کنید و متن همه را در یک عملیات دریافت کنید. با قدرت PyMuPDF.
نحوهٔ کار
- با کلیک روی ناحیهٔ رها کردن یا کشیدن فایل‌ها روی آن، یک یا چند PDF بارگذاری کنید. فهرست فایل‌ها را با دکمه‌های «افزودن فایل بیشتر» و «پاک کردن فایل‌ها» مدیریت کنید.
- برای شروع پردازش روی استخراج متن کلیک کنید.
- یک فایل تکی به‌صورت
filename.txtدانلود می‌شود. چند فایل یک بایگانیpdf-to-text.zipتولید می‌کنند.
گزینه‌ها
این ابزار گزینهٔ قابل‌تنظیمی ندارد. همهٔ محتوای متنی همهٔ صفحات به ترتیب خواندن استخراج می‌شود.
قالب خروجی
- تک‌فایل:
filename.txt - چند فایل:
pdf-to-text.zipشامل یک.txtبرای هر PDF ورودی.
موارد استفاده
- استخراج متن اصلی گزارش‌های PDF برای نمایه‌سازی جستجوی تمام‌متن.
- تبدیل کتاب‌ها یا مقالات الکترونیکی PDF به متن ساده برای خواندن در دستگاه‌های جوهر الکترونیکی.
- بیرون کشیدن متن از قراردادها یا اسناد حقوقی برای تحلیل کلیدواژه.
- حذف قالب‌بندی PDFها برای دریافت متن تمیز برای اسکریپت‌های پردازش داده.
- آماده‌سازی پیکرهٔ متنی از بایگانی‌های PDF برای پردازش زبان طبیعی.
نکته‌ها
- PDFهای اسکن‌شده (فقط تصویر) فایل‌های متنی خالی تولید می‌کنند، چون لایهٔ متنی برای استخراج ندارند. ابتدا اسناد اسکن‌شده را از OCR عبور دهید.
- خروجی ترتیب خواندن را همان‌طور که PyMuPDF تفسیر می‌کند حفظ می‌کند که معمولاً چپ‌به‌راست و بالا به پایین است. چیدمان‌های چندستونی ممکن است متن درهم‌آمیخته تولید کنند.
- برای خروجی ساختاریافته با سرفصل‌ها و قالب‌بندی، PDF به Markdown را امتحان کنید. برای JSON ساختاریافتهٔ آماده برای هوش مصنوعی، از آماده‌سازی PDF برای هوش مصنوعی استفاده کنید.