PDF na tekst
Wyodrębnia całą zawartość tekstową z plików PDF i zapisuje ją jako zwykłe pliki .txt. Obsługuje przetwarzanie zbiorcze: prześlij wiele plików PDF i wyodrębnij tekst każdego z nich w jednej operacji. Wykorzystuje PyMuPDF.
Jak to działa
- Prześlij jeden lub więcej plików PDF, klikając strefę upuszczania lub przeciągając na nią pliki. Zarządzaj listą plików za pomocą przycisków Dodaj więcej i Wyczyść.
- Kliknij Wyodrębnij, aby rozpocząć przetwarzanie.
- Pojedynczy plik pobiera się jako
filename.txt. Wiele plików daje archiwumpdf-to-text.zip.
Opcje
To narzędzie nie ma konfigurowalnych opcji. Cały tekst jest wyodrębniany z każdej strony w kolejności czytania.
Format wyjściowy
- Jeden plik:
filename.txt - Wiele plików:
pdf-to-text.zipzawierający jeden plik.txtdla każdego wejściowego PDF.
Przypadki użycia
- Wyodrębnianie tekstu głównego z raportów PDF do indeksowania pełnotekstowego.
- Konwertowanie e-booków lub artykułów PDF na zwykły tekst do czytania na urządzeniach z e-papierem.
- Pobieranie tekstu z umów lub dokumentów prawnych do analizy słów kluczowych.
- Usuwanie formatowania z plików PDF, aby uzyskać czysty tekst dla skryptów przetwarzania danych.
- Przygotowywanie korpusu tekstowego z archiwów PDF do przetwarzania języka naturalnego.
Wskazówki
- Zeskanowane pliki PDF (tylko obraz) dadzą puste pliki tekstowe, ponieważ nie ma warstwy tekstowej do wyodrębnienia. Najpierw przepuść zeskanowane dokumenty przez OCR.
- Wynik zachowuje kolejność czytania zinterpretowaną przez PyMuPDF, która zazwyczaj biegnie od lewej do prawej i z góry na dół. Układy wielokolumnowe mogą dać przeplatany tekst.
- Aby uzyskać ustrukturyzowany wynik z nagłówkami i formatowaniem, wypróbuj PDF na Markdown. Dla ustrukturyzowanego JSON gotowego dla AI użyj Przygotuj PDF dla AI.