Online konvertor PDF do TXT zdarma

Skripty, terminálové nástroje, elektronické čtečky a archivační systémy někdy přijímají pouze prostý text, zatímco úpravy nebo indexování mohou vyžadovat obsah bez rozvržení stránek PDF. Převod do TXT vytvoří menší soubor s možností vyhledávání, ale odstraní většinu vizuálních a strukturálních informací.

Co je formát PDF

PDF neboli Portable Document Format ukládá vzhled stránek dokumentu nezávisle na operačním systému, aplikaci a tiskárně. Může obsahovat umístěný text, vložená písma, vektorovou grafiku, rastrové obrázky, poznámky, formuláře, metadata, hypertextové odkazy a nastavení zabezpečení.

Textové procesory, software pro desktop publishing, skenery, webové prohlížeče a ovladače tiskáren vytvářejí soubory PDF. Tento formát se běžně používá pro faktury, příručky, akademické práce, vládní formuláře, zprávy, elektronické knihy a naskenované záznamy. PDF je navržen k přesné reprodukci stránek, nikoli k definování spolehlivého pořadí čtení extrahovaného textu.

Některá PDF omezují kopírování nebo vyžadují heslo k otevření. Adobe Acrobat není jedinou aplikací, která dokáže otevřít chráněné PDF, a převod nemůže legitimně obejít šifrování ani řízení přístupu. Před extrahováním omezeného obsahu potřebujete požadované heslo nebo oprávnění.

Co je formát TXT

TXT je soubor s prostým textem obsahující znaky a konce řádků bez písem, pozic na stránce, obrázků, tabulek, barev nebo metadat specifických pro PDF. TXT nemá jediné povinné kódování znaků; UTF-8 je pro moderní systémy nejbezpečnější volbou, protože podporuje znaky Unicode a širokou kompatibilitu softwaru.

Prostý text dobře funguje s nástroji příkazového řádku, fulltextovými indexy, systémy pro správu zdrojového kódu, procesy zpřístupnění, skripty a dlouhodobě čitelnými archivy. Obvykle je menší a vyhýbá se problémům s kompatibilitou písem nebo rozvržení, ale nedokáže zachovat původní vzhled stránky.

Převod textového PDF pomocí pdftotext

Nástroj pdftotext z Poppleru je dostupný prostřednictvím správců balíčků a desktopových sestavení pro Linux, macOS a Windows. Extrahuje existující textovou vrstvu, místo aby interpretoval obrázky stránek.

1. Nainstalujte Poppler prostřednictvím správce balíčků svého operačního systému nebo z důvěryhodného sestavení.
2. Otevřete terminál nebo Command Prompt a přejděte do složky obsahující PDF.
3. Spusťte pdftotext input.pdf output.txt.
4. Otevřete output.txt v editoru podporujícím UTF-8 a zkontrolujte pořadí čtení, konce odstavců, tabulky a speciální znaky.

U sloupců nebo stránek, kde běžná extrakce vytváří špatné pořadí čtení, zkuste pdftotext -layout input.pdf output.txt. Tato volba zachovává přibližné vodorovné mezery, ale může přidat nadměrné množství mezer a nezaručuje správné pořadí sloupců. Alternativa pdftotext -raw input.pdf output.txt používá jinou strategii řazení a u některých souborů může fungovat lépe.

Poppler obvykle zapisuje text v UTF-8. Pokud vaše nainstalovaná verze podporuje explicitní volbu kódování, použijte pdftotext -enc UTF-8 input.pdf output.txt. U šifrovaného PDF zadejte autorizované heslo pomocí -upw pro uživatelské heslo nebo -opw pro heslo vlastníka, například pdftotext -upw password input.pdf output.txt. Pokud je to možné, nevkládejte hesla přímo do historie shellu.

U malého PDF s možností výběru textu může stačit zkopírovat text do textového editoru s podporou UTF-8, ale často dojde ke ztrátě sloupců, vložení nežádoucích konců řádků nebo vynechání obsahu. Desktopové editory PDF mohou také poskytovat příkaz pro export textu v nabídce File → Export; přesná nabídka a dostupné formáty závisí na aplikaci a edici.

Převod naskenovaného PDF pomocí OCR

Naskenované PDF může obsahovat pouze obrázky stránek, takže pdftotext může vytvořit prázdný nebo téměř prázdný soubor. Nejprve spusťte optické rozpoznávání znaků pomocí aplikace OCR, například OCRmyPDF, která běžně používá Tesseract:

1. Spusťte ocrmypdf --deskew --rotate-pages input.pdf searchable.pdf, čímž přidáte prohledávatelnou textovou vrstvu a opravíte běžné problémy se zarovnáním skenu.
2. Extrahujte vrstvu pomocí pdftotext searchable.pdf output.txt.

V případě potřeby nastavte jazyk OCR, například ocrmypdf -l eng+deu input.pdf searchable.pdf. Přesnost závisí na rozlišení, typu písma, kontrastu, zešikmení, jazykových datech, kompresi a poškození stránky. Ručně zkontrolujte jména, data, čísla, interpunkci a hodnoty v tabulkách, protože OCR může zaměnit znaky, jako jsou 0 a O.

Převod bez instalace softwaru

Soubor můžete zdarma převést na webu 101convert.com bez instalace softwaru. Nahrajte PDF, jako výstupní formát zvolte TXT, spusťte převod a stáhněte výsledek. Nenahrávejte důvěrné, regulované dokumenty ani dokumenty s omezeným přístupem, pokud vám nevyhovují podmínky služby týkající se ochrany soukromí, uchovávání a zpracování dat.

Omezení kvality a kompatibility

Extrakce se řídí interním pořadím textových objektů v PDF, které se může lišit od pořadí, v jakém člověk čte stránku. Záhlaví, zápatí, poznámky pod čarou, sloupce, popisky a postranní panely se mohou zobrazit na neočekávaných pozicích. Výstup kontrolujte a nepovažujte jej za strukturálně věrný přepis.

TXT nemá model buněk, řádků ani sloupců, takže tabulky obvykle ztratí své hranice. Obrázky, podpisy, kresby, vložené soubory, komentáře, záložky, hypertextové odkazy, písma, barvy a formátování stránek se nezachovají. Pokud data musí zůstat strojově čitelná jako řádky a sloupce, použijte strukturovaný tabulkový formát.

Vlastní kódování písem a PDF, která reprezentují písmena jako vektorové obrysy, mohou vytvářet nesprávné nebo chybějící znaky, i když stránka vypadá čitelně. Může být nutné použít OCR nebo jinou knihovnu pro extrakci z PDF. Ponechte původní PDF spolu se souborem TXT, protože převod je ztrátový a výstup v prostém textu nedokáže obnovit původní rozvržení.