PDF naar tekst
Haal de tekst uit een PDF in een plat .txt-bestand dat je kunt kopiëren, doorzoeken of bewerken.
Je bestanden blijven op dit apparaat. Er wordt niets geüpload. Zo controleer je het
Zo gebruik je PDF naar tekst
Belangrijkste functies van PDF naar tekst
De download is een UTF-8-tekstbestand vernoemd naar je PDF. Elke pagina wordt ingeleid door een markeerregel, zodat je de paginabreuken in een lang document kunt vinden.
De geëxtraheerde tekst verschijnt in een bewerkbaar vak onder het resultaat. Maak het daar netjes en gebruik Kopiëren naar klembord; de downloadknop slaat nog steeds de oorspronkelijke extractie op.
De PDF wordt door JavaScript in je browser gelezen. Er wordt niets naar een server gestuurd, en er is geen account of watermerk.
Over PDF naar tekst
PDF naar tekst leest elke pagina met pdf.js en voegt de tekstreeksen erop samen met spaties. Regeleindes binnen een pagina worden niet gereconstrueerd, dus elke pagina komt eruit als één tekstreeks onder een markeerregel die de pagina noemt. Het resultaat wordt aangeboden als .txt-download en getoond in een bewerkbaar vak met een kopieerknop.
Gebruik het om een lang document te doorzoeken, de woorden in een ander programma te voeren, of een fragment in notities of een e-mail te plakken zonder het over te typen. Opmaak, afbeeldingen en tabellen blijven niet behouden, en de leesvolgorde van pagina's met meerdere kolommen mogelijk ook niet. Een gescande PDF heeft geen tekstlaag, dus het bestand komt eruit met alleen de paginamarkeringen; laat het eerst door OCR PDF lopen.
Wanneer gebruik je PDF naar tekst?
Een tijdschrift of een wedstrijd stelt een woordlimiet en je hebt alleen de PDF. Extraheer de tekst, plak hem vanuit het vak in een woordenteller, en je hebt het aantal zonder over te typen. De markeerregels worden ook meegeteld, dus verwijder ze eerst als het aantal exact moet kloppen.
Je moet een document vertalen met een online vertaler die geplakte tekst accepteert. Extraheer het, kopieer telkens één pagina uit het vak, en gebruik de markeerregels om bij te houden waar je bent. De uitvoer is UTF-8, dus tekens met accenten en niet-Latijnse schriften blijven behouden als de lettertypen van de PDF hun Unicode-waarden bevatten.
Een lijst met e-mailadressen, onderdeelnummers of URL's zit vast in een PDF en je wilt hem in een spreadsheet. Omdat deze tool alles met spaties samenvoegt, komt een tabel eruit als één reeks per pagina; PDF naar Excel behoudt de kolommen en is daarvoor de betere keuze. Voor een document waarvan je de koppen en alinea's wilt behouden, gebruik je PDF naar Word of PDF naar Markdown.
Om te zien wat er tussen twee versies van een document is veranderd, hoef je ze niet allebei te extraheren en handmatig te vergelijken: PDF vergelijken maakt rechtstreeks een vergelijking op woordniveau van de twee bestanden. En bij een scan laat je eerst OCR PDF lopen en extraheer je daarna; de OCR-laag is wat deze tool leest.
Tips en probleemoplossing
- Tekst extraheren mislukt: No password given betekent dat de PDF een wachtwoord nodig heeft om te openen. Hier is geen wachtwoordveld; verwijder de beveiliging en extraheer uit de kopie. Beperkingen op kopiëren en afdrukken houden extractie niet tegen.
- Tekst extraheren mislukt: Invalid PDF structure betekent dat het versleepte bestand geen PDF is. Slepen en neerzetten accepteert elk bestand, in tegenstelling tot de bestandskiezer.
- Elke pagina begint met een regel met de tekst --- Page N ---. Verwijder die regels met zoeken en vervangen als je ze niet in de tekst wilt hebben.
- Je kunt dubbele spaties zien waar regels in de PDF eindigden, omdat pdf.js een regeleinde meldt als een lege reeks en elke reeks met een spatie wordt samengevoegd. Zoeken en vervangen van twee spaties door één ruimt dit op.
- Verkeerde of ontbrekende tekens betekenen dat het lettertype van de PDF er geen Unicode-koppeling voor heeft; de tool schrijft wat het bestand bevat. Het bestand door OCR PDF laten lopen herkent de woorden in plaats daarvan vanaf de gerenderde pagina.
- Het vak onder het resultaat toont acht regels tegelijk. Sleep de onderhoek om het hoger te maken, of scroll erin.
- Voorbeeld bekijken toont dezelfde tekst in een frame. De download is UTF-8 met Unix-regeleindes en krijgt de naam van de PDF met een .txt-extensie. Nog een bestand verwerken herlaadt de pagina, waardoor eventuele bewerkingen in het vak verloren gaan, dus kopieer of download eerst.
- Platte tekst heeft geen koppen. PDF naar HTML leest dezelfde tekstlaag en markeert sommige korte regels als koppen in een op zichzelf staand HTML-bestand.
- Staan er in de uitvoer alleen de regels --- Page N ---, dan is de PDF een scan. Hoe je een gescande PDF doorzoekbaar maakt begint met een snelle controle daarvoor en laat zien hoe je de tekstlaag toevoegt die deze tool leest.
Zo werkt PDF naar tekst in je browser
Het script leest het bestand in een ArrayBuffer en geeft het door aan pdf.js, waarvan de worker (van cdnjs.cloudflare.com) het document verwerkt. Voor elke pagina roept het getTextContent aan, dat de tekstreeksen teruggeeft in de volgorde waarin de inhoudsstream van de pagina ze tekent, en voegt hun strings samen met enkele spaties achter een markeerregel die de pagina noemt. De pagina's worden samengevoegd tot één string, die een Blob van het type text/plain wordt met UTF-8-codering. Alleen pdf.js wordt op deze pagina geladen; er is geen ZIP-bibliotheek nodig.
showResult tekent de resultaatkaart vanuit die Blob, en het script voegt vervolgens een textarea toe met dezelfde tekst en een knop Kopiëren naar klembord die de huidige inhoud van het vak wegschrijft met de klembord-API van de browser; de knop toont twee seconden lang Gekopieerd. Bestand downloaden slaat de oorspronkelijke string op via een tijdelijke object-URL, en Voorbeeld bekijken laadt hem in een frame. De PDF-bytes en de tekst blijven in het geheugen van het tabblad en worden nooit ergens naartoe gestuurd.
Veelgestelde vragen
Waarom komt elke pagina eruit als één lange regel?
De tool voegt de tekstreeksen op een pagina samen met spaties en reconstrueert geen regeleindes. Alinea's en kolommen worden niet herkend. Gebruik voor gestructureerde uitvoer PDF naar Word of PDF naar Markdown.
Kan het tekst uit een gescande PDF extraheren?
Niet op zichzelf. Een scan is een afbeelding zonder tekstlaag, dus de uitvoer bevat alleen de paginamarkeringen. Laat het bestand eerst door OCR PDF lopen en extraheer daarna de tekst.
Is het gedownloade bestand hetzelfde als de tekst in het vak?
De download is de oorspronkelijke extractie. Bewerkingen die je in het vak maakt, worden niet naar het bestand geschreven; gebruik Kopiëren naar klembord om de bewerkte versie mee te nemen.
Hoe weet ik van welke pagina een fragment komt?
De tekst van elke pagina staat onder een markeerregel, --- Page N ---, dus scroll of zoek naar die markering. De markeringen maken ook deel uit van de download.
Staat de tekst in leesvolgorde?
De tekst staat in de volgorde waarin de PDF hem tekent, wat meestal de leesvolgorde is voor een eenvoudige pagina, maar niet altijd bij kolommen, tabellen of tekstvakken. Kopteksten, voetteksten en paginanummers verschijnen waar het bestand ze plaatst.
Kan ik tekst uit meerdere PDF's tegelijk extraheren?
Nee. Er wordt telkens één bestand verwerkt, en Nog een bestand verwerken herlaadt de pagina, waardoor het vak wordt geleegd. Download of kopieer elk resultaat voordat je met het volgende bestand begint.
Laatst gecontroleerd op