PDF do textu
Extrahuje všetok textový obsah zo súborov PDF a uloží ho ako čisté súbory .txt. Podporuje hromadné spracovanie: nahrajte viac PDF a text z každého získate v jednej operácii. Využíva PyMuPDF.
Ako to funguje
- Nahrajte jedno alebo viac PDF kliknutím na oblasť nahrávania alebo presunutím súborov do nej. Zoznam súborov spravujete tlačidlami Pridať ďalšie a Vymazať.
- Kliknutím na Extrahovať spustíte spracovanie.
- Jeden súbor sa stiahne ako
filename.txt. Viac súborov vytvorí archívpdf-to-text.zip.
Možnosti
Tento nástroj nemá žiadne nastaviteľné možnosti. Všetok textový obsah sa extrahuje z každej strany v poradí čítania.
Výstupný formát
- Jeden súbor:
filename.txt - Viac súborov:
pdf-to-text.zips jedným.txtpre každé vstupné PDF.
Prípady použitia
- Extrakcia hlavného textu zo správ v PDF na indexovanie pre fulltextové vyhľadávanie.
- Prevod e-kníh alebo článkov v PDF na čistý text na čítanie v zariadeniach s e-ink displejom.
- Získanie textu zo zmlúv alebo právnych dokumentov na analýzu kľúčových slov.
- Odstránenie formátovania z PDF na získanie čistého textu pre skripty na spracovanie dát.
- Príprava textového korpusu z archívov PDF na spracovanie prirodzeného jazyka.
Tipy
- Naskenované PDF (iba obrázky) vytvoria prázdne textové súbory, pretože neobsahujú textovú vrstvu na extrakciu. Naskenované dokumenty najprv spracujte pomocou OCR.
- Výstup zachováva poradie čítania tak, ako ho interpretuje PyMuPDF, teda spravidla zľava doprava a zhora nadol. Viacstĺpcové rozloženia môžu viesť k premiešanému textu.
- Pre štruktúrovaný výstup s nadpismi a formátovaním vyskúšajte PDF do Markdownu. Pre štruktúrovaný JSON pripravený pre AI použite Pripraviť PDF pre AI.