Jak získat text z PDF
Nástroj PDF na text vytáhne textový obsah dokumentu přímo ve vašem prohlížeči, bez nahrávání kamkoliv na server. Hodí se, kdykoliv potřebujete s obsahem PDF dál pracovat mimo samotný soubor — zkopírovat pasáž, prohledat dokument nebo si text stáhnout jako obyčejný TXT. Podmínkou je, že PDF má skutečnou textovou vrstvu, ne jen obrázek stránky.
Publikováno:
Postup
- 1. Otevřete nástroj PDF na text a nahrajte soubor (do 50 MB) — zpracování běží jen lokálně ve vašem prohlížeči.
- 2. Počkejte, až nástroj načte dokument a zobrazí počet stránek.
- 3. Volitelně zadejte rozsah stránek, ze kterých chcete obsah získat, třeba 1-3,5 — prázdné pole znamená celý dokument.
- 4. Spusťte zpracování a vyčkejte na dokončení; u rozsáhlejších dokumentů to chvíli trvá.
- 5. Hotový text zkopírujte do schránky nebo si ho uložte jako soubor TXT.
Proč je výsledek u naskenovaného PDF prázdný
Pokud PDF vzniklo naskenováním papíru nebo vyfocením dokumentu mobilem, každá stránka je uvnitř souboru uložená jako obrázek. Pro počítač je to jen mřížka pixelů — písmena na ní nejsou uložená jako znaky, které lze vybrat nebo zkopírovat, i když je člověk okem přečte bez problémů. Extrakce textu proto z takové stránky nic nezíská, protože v datech souboru žádný text není a nemá odkud ho vzít.
Aby šel z obrázku text vytáhnout, musí nejdřív projít optickým rozpoznáváním znaků (OCR) — softwarem, který rozpozná tvary písmen na obrázku a převede je na skutečný, kopírovatelný text. Tento nástroj OCR neprovádí, pracuje jen s textem, který už je v PDF uložený. Pokud tedy nástroj vrátí prázdný nebo téměř prázdný výsledek u dokumentu, který jinak vypadá čitelně, je to obvykle přesně tento případ: sken bez textové vrstvy. Řešením bývá dokument znovu zpracovat v aplikaci, která OCR umí (často se to dělá už při samotném skenování na multifunkční tiskárně nebo v mobilní skenovací aplikaci), a teprve výslednou verzi s vloženým textem zkusit znovu. Poznat rozdíl jde jednoduše i bez nástroje — pokud v PDF prohlížeči nejde myší označit a zkopírovat jednotlivá slova, textová vrstva tam nejspíš chybí a extrakce nic nenajde.
K čemu se extrakce textu hodí
Nejčastěji jde o situace, kdy potřebujete jen samotný text, ne rozvržení stránky. Například když z dlouhé zprávy nebo smlouvy chcete zkopírovat jeden odstavec bez ručního přepisování, nebo když v PDF nejde pohodlně hledat a je snazší vyhledávat v textovém souboru. Výstup se hodí i jako vstup pro další nástroje — třeba pro kontrolu pravopisu, počítání znaků, strojový překlad nebo jednoduché porovnání dvou verzí dokumentu.
Výběr rozsahu stránek se hodí u objemných dokumentů, kde vás zajímá jen konkrétní kapitola nebo příloha — nemusíte zpracovávat celý soubor, když stačí pár stránek, a výsledný text je pak kratší a přehlednější. Protože se celá extrakce odehrává lokálně v prohlížeči, obsah dokumentu nikam neodesíláte, což je vhodné i pro citlivější dokumenty jako smlouvy nebo interní materiály.
Pokud naopak potřebujete dokument dál upravovat se zachovaným rozložením — odstavci, tabulkami, styly písma — je vhodnější sáhnout po konverzi do editovatelného formátu (viz odkaz níže) místo prostého textu. Extrakce do TXT je rychlejší a jednodušší tam, kde na formátování nezáleží a jde jen o obsah.