Online konvertor PDF do TEXT zdarma

Script, terminálový editor, databáze nebo archivní systém může vyžadovat prostý text namísto PDF. Převodem vznikne menší soubor .txt s možností vyhledávání, ale naskenované stránky před extrahováním jejich slov vyžadují OCR.

Co je formát PDF

PDF (Portable Document Format) je formát s pevným rozvržením vyvinutý společností Adobe za účelem zachování rozměrů stránek, písem, umístění, obrázků a dalších prvků dokumentu napříč operačními systémy. PDF vytvářejí textové procesory, aplikace pro desktop publishing, skenery, webové prohlížeče a virtuální tiskárny; mezi běžný software patří Adobe Acrobat, Microsoft Word, LibreOffice a macOS Preview.

PDF může obsahovat vrstvu textu, který lze vybrat, pouze obrázky stránek nebo obojí. Jeho rozvržení může zahrnovat sloupce, tabulky, záhlaví, zápatí, umístěné popisky, vložená písma, formuláře, komentáře a odkazy. PDF se používá pro smlouvy, faktury, příručky, zprávy, naskenované záznamy a dokumenty, které si při sdílení nebo tisku musí zachovat svůj vizuální vzhled.

Co je formát TEXT

TEXT obvykle označuje soubor prostého textu, například document.txt. Ukládá znaky a konce řádků bez písem, barev, obrázků, geometrie stránky, tabulek, hypertextových odkazů a dalšího stylování.

Prostý text je malý a široce kompatibilní s nástroji příkazového řádku, skripty, databázemi, systémy pro správu zdrojového kódu, e-mailovými systémy, terminálovými editory, čtečkami obrazovky a pracovními postupy dlouhodobého zpracování dat. Snadno se v něm vyhledává a upravuje, ale nedokáže zachovat vizuální rozvržení PDF ani spolehlivě reprezentovat strukturované tabulky.

Jak převést PDF na TEXT

Pomocí převodníku 101convert.com

1. Otevřete stránku pro převod PDF na TEXT na webu 101convert.com.
2. Nahrajte PDF a jako výstupní formát vyberte TEXT nebo TXT.
3. Spusťte převod a stáhněte vygenerovaný soubor .txt.

Tato možnost funguje ve webovém prohlížeči bez instalace softwaru. Důvěrné dokumenty nebo dokumenty podléhající regulaci nenahrávejte, pokud nejsou aktuální podmínky služby týkající se ochrany soukromí a uchovávání dat přijatelné.

Pomocí Poppleru a pdftotext

pdftotext z balíku Poppler je rychlá volba podporující skriptování pro PDF obsahující text, který lze vybrat. Nainstalujte Poppler pomocí správce balíčků operačního systému a poté spusťte:

pdftotext -enc UTF-8 input.pdf output.txt

U dokumentů se sloupci nebo jednoduchými tabulkami zkuste:

pdftotext -layout input.pdf output.txt

-layout zachovává více vodorovných mezer, ale mezery navíc mohou ztížit následné zpracování. Chcete-li extrahovat pouze stránky 2 až 5, použijte:

pdftotext -f 2 -l 5 input.pdf output.txt

V systému Windows spusťte příkaz z adresáře obsahujícího binární soubory Poppleru nebo tento adresář přidejte do PATH. V systémech macOS a Linux instalace pomocí správce balíčků obvykle zpřístupní pdftotext v terminálu.

Pomocí desktopového softwaru

V aplikaci Adobe Acrobat otevřete PDF a zvolte File → Export To → Text, poté vyberte umístění a uložte soubor prostého textu. Názvy nabídek se mohou v jednotlivých verzích Acrobatu lišit. Některé další prohlížeče PDF poskytují možnost prostého textu v nabídce File → Save As, ale mnohé umožňují uložit pouze nové PDF.

U naskenovaných PDF

Pokud slova nelze vybrat nebo zkopírovat, PDF pravděpodobně obsahuje obrázky stránek namísto textové vrstvy. Nejprve spusťte OCR pomocí OCRmyPDF, které běžně používá Tesseract:

ocrmypdf -l eng --deskew input.pdf searchable.pdf

Volba -l eng vybere data pro rozpoznávání angličtiny; pro jiný jazyk nebo vícejazyčný dokument použijte příslušný kód nainstalovaného jazyka. Poté extrahujte text OCR:

pdftotext -enc UTF-8 searchable.pdf output.txt

OCRmyPDF může vyžadovat samostatné balíčky jazykových dat Tesseractu. OCR není potřeba, pokud původní PDF již obsahuje přesný text, který lze vybrat.

Omezení kvality a kompatibility

• Extrakce textu vychází z pozic znaků uložených v PDF, nikoli nutně ze zamýšleného pořadí čtení. Vícesloupcové stránky, postranní panely, poznámky pod čarou, otočený text, záhlaví a dekorativní popisky se mohou zobrazit v nesprávném pořadí.
• Tabulky se obvykle převedou na řádky textu s mezerami nebo nekonzistentními oddělovači. Pokud musí data zůstat strukturovaná, exportujte je namísto TXT do CSV nebo jiného tabulkového formátu a ověřte každý řádek a sloupec.
• Ligatury, chybějící mapování písem, neobvyklá kódování a poškozená PDF mohou vést k nesprávným znakům. Porovnejte jména, čísla, symboly a nelatinský text se zdrojovým dokumentem.
• OCR může znaky chybně rozpoznat, zejména u skenů s nízkým rozlišením, zkosených, zašuměných, rukou psaných nebo neobvykle vysázených. Důležitý výstup ručně zkontrolujte.
• Prostý text nezachovává obrázky, barvy, rozvržení stránky, klikatelné odkazy, komentáře, pole formulářů ani vizuální čísla stránek.
• PDF chráněná heslem nebo s omezenou extrakcí mohou před převodem vyžadovat správné heslo nebo svolení vlastníka; nástroje pro převod se nesmějí používat k obcházení kontrol přístupu.