چرا متن استخراجشده خالی یا درهم است؟

اگر PDF با اسکن یک سند فیزیکی ایجاد شده باشد، ممکن است اصلاً لایه متنی نداشته باشد — در واقع تصویری از متن است. ابتدا از ابزار OCR برای افزودن لایه متنی استفاده کنید، سپس استخراج کنید. متن درهم گاهی هنگامی اتفاق میافتد که PDF از رمزگذاری فونت غیراستاندارد استفاده کند؛ در آن موارد تبدیل PDF به Word را امتحان کنید که از موتور استخراج متفاوتی استفاده میکند.

آیا میتواند متن را از PDF محافظتشده با رمز عبور استخراج کند؟

بله، اگر رمز عبور دارید. آن را در قسمت رمز عبور در هنگام آپلود وارد کنید. توجه داشته باشید که برخی PDFها دارای مجوز جداگانه 'محدودیت محتوا' هستند که حتی پس از باز شدن نیز از کپی جلوگیری میکند — استخراجکننده در صورت صدق کردن این موضوع شما را مطلع خواهد کرد.

آیا مقالات علمی دو ستونه را بهدرستی پردازش میکند؟

بله. تحلیل چیدمان ناحیههای ستون را بهصورت مکانی شناسایی میکند و آنها را به ترتیب خواندن خروجی میدهد — ابتدا ستون چپ، سپس ستون راست. این برای چیدمانهای دو و سه ستونه که معمولاً در مجلات علمی و نشریات یافت میشوند صدق میکند.

با تصاویر موجود در PDF چه اتفاقی میافتد؟

تصاویر در خروجی متنی گنجانده نمیشوند — فقط لایه محتوای متنی استخراج میشود. اگر به تصاویر هم نیاز دارید، از ابزار استخراج تصاویر روی همان سند استفاده کنید.

آیا متن استخراجشده قابل جستجو است؟

خروجی یک فایل متن ساده است که ذاتاً با هر ویرایشگر متن، دستور ترمینال یا ابزار نمایهسازی جستجو قابل جستجو است. هیچ نیاز خاصی برای جستجوی خروجی وجود ندارد.

آیا میتوانم متن را فقط از صفحات خاصی استخراج کنم؟

بله. از قسمت محدوده صفحه برای مشخص کردن صفحات منفرد یا محدودهها استفاده کنید (مثلاً ۱-۵ یا ۳،۷،۱۲). فقط صفحات انتخابشده پردازش شده و در خروجی گنجانده میشوند.

این با کپی کردن متن از یک مشاهدهگر PDF چه تفاوتی دارد؟

مشاهدهگرهای PDF متن را بهصورت بصری انتخاب میکنند که در چیدمانهای چند ستونه و پاراگرافهای طولانی در چندین صفحه شکست میخورد. این استخراجکننده مستقیماً جریان محتوای پایه را میخواند و در یک مرحله مرزهای دقیقتر پاراگراف و ترتیب خواندن صحیح را در سراسر سند ارائه میدهد.

آیا میتوانم متن را از یک PDF بسیار بزرگ استخراج کنم؟

بله. ابزار PDFهایی با صدها صفحه را پردازش میکند. زمان پردازش با طول سند مقیاس مییابد — یک سند ۲۰۰ صفحهای معمولاً در کمتر از ۳۰ ثانیه کامل میشود.

اگر به متن در قالب Word بهجای متن ساده نیاز داشتم چه کنم؟

از ابزار PDF به Word استفاده کنید که محتوا را با حفظ تقریبی چیدمان شامل عناوین، استایلهای پررنگ و کج، و ساختار پایه جدول در فایل DOCX استخراج میکند.

همه ابزارها

PDF به متن

متن را از PDF استخراج کنید

1آپلود

2تنظیمات

3پردازش

Drop file here

PDF, Word, Excel, PowerPoint, images up to 25 MB

ویژگی‌های کلیدی

استخراج متن مستقیم از لایه محتوای PDF، بازسازی ترتیب خواندن صحیح برای چیدمان‌های چند ستونه، حفظ ساختار پاراگراف و فاصله‌گذاری، پردازش جداول با مرزهای ردیف و ستون، پشتیبانی از PDF با صدها صفحه، تولید فایل TXT تمیز برای دانلود، پیش‌نمایش متن استخراج‌شده در مرورگر قبل از دانلود، کپی متن مستقیم از پنل پیش‌نمایش، پردازش PDF با ساختارهای متنی تودرتوی پیچیده، کار با PDF محافظت‌شده با رمز عبور در صورت ارائه رمز، بدون نیاز به حساب کاربری یا ثبت‌نام، فایل‌ها بلافاصله پس از پردازش حذف می‌شوند

موارد استفاده

کپی محتوای گزارش برای چسباندن در ویرایشگر اسناد، استخراج بندهای قرارداد برای بررسی حقوقی در ویرایشگر متن، کشیدن داده از فاکتورهای PDF به جریان کار صفحه‌گسترده، استخراج متن مقاله پژوهشی برای ابزارهای مدیریت منابع، انتقال محتوای PDF به ابزارهای ترجمه یا بومی‌سازی، ساخت نمایه متنی قابل جستجو از کتابخانه فایل‌های PDF، استخراج توضیحات محصول از کاتالوگ‌های PDF تأمین‌کننده، آماده‌سازی محتوای PDF برای ورود به ابزارهای خلاصه‌سازی یا تحلیل هوش مصنوعی

نحوه استفاده

1PDF خود را با کلیک روی ناحیه آپلود یا کشیدن فایل از مدیر فایل آپلود کنید.
2تنظیمات خروجی را انتخاب کنید — متن ساده یا متن قالب‌بندی‌شده با حفظ فاصله‌گذاری پاراگراف.
3روی استخراج کلیک کنید و منتظر بمانید تا ابزار لایه متنی سند را پردازش کند.
4متن استخراج‌شده را در پنل پیش‌نمایش بررسی کنید. ترتیب ستون‌ها و ساختار پاراگراف را تأیید کنید.
5فایل TXT را دانلود کنید یا متن را مستقیماً از پیش‌نمایش در کلیپ‌بورد کپی کنید.

می‌خواهید محتوای گزارش را در ویرایشگر اسناد بچسبانید، بندهای قرارداد را برای بررسی حقوقی استخراج کنید یا محتوای PDF را به ابزارهای هوش مصنوعی بدهید. ابزار استخراج متن PDF در dokk.ai مستقیماً لایه محتوای پایه را می‌خواند — و در یک مرحله مرزهای دقیق‌تر پاراگراف و ترتیب خواندن صحیح را در سراسر سند ارائه می‌دهد. تحلیل چیدمان ناحیه‌های ستون را به‌صورت مکانی شناسایی می‌کند و آن‌ها را به ترتیب خواندن تولید می‌کند — ابتدا ستون چپ، سپس ستون راست. این برای چیدمان‌های دو و سه ستونه که معمولاً در مقالات علمی و مجلات یافت می‌شوند صدق می‌کند. جداول ساده با حاشیه‌های واضح در قالب جداشده با Tab خروجی می‌دهند که می‌توان آن را در نرم‌افزار صفحه‌گسترده وارد کرد. dokk.ai متن را از PDF در دو حالت خروجی استخراج می‌کند: متن ساده و متن ساختاریافته که چیدمان را حفظ می‌کند. حالت متن ساده برای نمایه‌سازی، جستجوی متن کامل و پردازش زبان طبیعی ایده‌آل است. برای اسناد اسکن‌شده، OCR به‌طور خودکار اعمال می‌شود. موتور OCR از بیش از ۴۰ زبان پشتیبانی می‌کند و با کیفیت چاپ متغیر کنار می‌آید. ابزار فایل‌های تا ۱۰۰ مگابایت را پردازش می‌کند و از هر مرورگر مدرن در تمام پلتفرم‌ها قابل دسترسی است. خروجی به‌عنوان فایل TXT برای دانلود یا کپی مستقیم از صفحه در دسترس است. رمزنگاری TLS و حذف خودکار.

سوالات متداول

امنیت و حریم خصوصی

PDF شما از طریق اتصال TLS رمزگذاری‌شده آپلود می‌شود و بلافاصله پس از استخراج متن از سرورهای ما حذف می‌شود. محتوای سند شما را نمی‌خوانیم، نمایه‌سازی نمی‌کنیم یا ذخیره نمی‌کنیم. ثبت‌نام لازم نیست.