PDF ke Teks

Saat teks hasil ekstraksi berantakan

Terkadang ekstraksi menghasilkan teks, tetapi teksnya salah: simbol acak, kotak, atau huruf yang bergeser dalam alfabet. Ini terjadi ketika font PDF tidak memiliki pemetaan dari glyph kembali ke karakter sebenarnya, sesuatu yang tidak disertakan oleh sebagian software desain dan cetak. Halamannya tampak benar karena yang digambar adalah bentuk; karakter di baliknya bukan huruf yang terlihat. Perlakukan file tersebut sebagai scan dan jalankan melalui scanned PDF to text.

Keanehan yang lebih ringan memiliki penyebab yang lebih sederhana: fi dan fl digabung menjadi satu karakter ligatur, atau sebuah kata terpisah menjadi dua karena PDF menempatkan setiap huruf secara terpisah.

Merapikan teks hasil ekstraksi

Baris cetak muncul sebagai baris terpisah, sehingga paragraf memiliki jeda setelah setiap beberapa kata, dan kata yang diberi tanda hubung di akhir baris tetap terpisah. Header, footer, dan nomor halaman yang berulang muncul sekali di setiap halaman di antara teks isi. Hapus semua itu sebelum mengutip atau menggunakan kembali teks, dan hapus label halaman jika teks akan digunakan sebagai satu kesatuan.

Untuk menghitung jumlah kata atau karakter dalam dokumen, tempelkan teks yang sudah dibersihkan ke word counter; menghitung langsung dari hasil mentah akan memasukkan setiap header dan label.

Cara menggunakannya

1. Pilih file PDF.
2. Ekstrak teksnya.
3. Salin atau download file .txt.

Privasi & batasan

File dibuka dan ditulis ulang di browser Anda dan tidak pernah di-upload, yang penting ketika dokumennya adalah kontrak, hasil scan, atau apa pun yang tidak akan Anda serahkan ke orang asing. PDF hasil scan tidak berisi teks untuk diekstrak, dan akan dilaporkan demikian alih-alih mengembalikan file kosong.