Miksi poimittu teksti näkyy tyhjänä tai sekavana?

Jos PDF on luotu skannaamalla fyysinen asiakirja, siinä ei välttämättä ole lainkaan tekstikerrosta — se on käytännössä kuva tekstistä. Käytä ensin OCR-työkalua tekstikerroksen lisäämiseksi, sitten poiminta. Sekava teksti esiintyy joskus, kun PDF käyttää epästandardia fonttikoodausta; näissä tapauksissa kokeile PDF Word -muunnosta, joka käyttää eri poimintamoottoria.

Voiko se poimia tekstiä salasanasuojatusta PDF:stä?

Kyllä, jos sinulla on salasana. Syötä se salasanakenttään latauksen aikana. Huomaa, että joissain PDF:issä on erillinen 'sisältörajoitus'-oikeus, joka estää kopioimisen jopa avaamisen jälkeen — työkalu ilmoittaa sinulle, jos näin on.

Käsitteleekö se kaksipalstalaiset tieteelliset artikkelit oikein?

Kyllä. Asetteluanalyysi tunnistaa palsta-alueet tilallisesti ja tulostaa ne lukemisjärjestyksessä — vasen palsta ensin, sitten oikea palsta. Tämä koskee kaksi- ja kolmipalstalisia asetteluja, joita esiintyy yleisesti tieteellisissä aikakauslehdissä ja lehdissä.

Mitä kuville tapahtuu PDF:ssä?

Kuvia ei sisällytetä tekstitulosteeseen — vain tekstisisältökerros poimitaan. Jos tarvitset myös kuvia, käytä Pura kuvat -työkalua samassa asiakirjassa.

Onko poimittu teksti hakukelpoinen?

Tulos on pelkkä tekstitiedosto, joka on luonnostaan hakukelpoinen millä tahansa tekstieditorilla, terminaalikomennolla tai hakuindeksointityökalulla. Tulosteen hakemiseen ei ole erityisvaatimuksia.

Voinko poimia tekstiä vain tietyiltä sivuilta?

Kyllä. Käytä sivualuekenttää yksittäisten sivujen tai alueiden määrittämiseen (esimerkiksi 1-5 tai 3,7,12). Vain valitut sivut käsitellään ja sisällytetään tulokseen.

Säilyttääkö se taulukon rakenteen tuloksessa?

Taulukon solut poimitaan tilallisilla suhteilla säilytettynä mahdollisuuksien mukaan. Yksinkertaiset taulukot, joilla on selkeät reunukset, tulostetaan sarkaineroteltuna muotona, joka voidaan tuoda taulukkolaskentaohjelmaan. Monimutkaiset yhdistettyjä soluja sisältävät taulukot saattavat vaatia manuaalista siivousta.

Miten tämä eroaa tekstin kopioimisesta PDF-lukijasta?

PDF-lukijat valitsevat tekstin visuaalisesti, mikä hajoaa monipalstaisissa asetteluissa ja pitkissä kappaleissa, jotka ulottuvat useille sivuille. Tämä työkalu lukee pohjana olevaa sisältövirtaa suoraan, antaen tarkemmat kappaleiden rajat ja oikean lukemisjärjestyksen koko asiakirjassa yhdessä vaiheessa.

Voinko poimia tekstiä hyvin suuresta PDF:stä?

Kyllä. Työkalu käsittelee PDF:iä satojen sivujen kanssa. Käsittelyaika skaalautuu asiakirjan pituuden mukaan — 200-sivuinen asiakirja valmistuu tyypillisesti alle 30 sekunnissa.

Entä jos tarvitsen tekstin Word-muodossa pelkän tekstin sijaan?

Käytä PDF Word -työkalua, joka poimii sisällön DOCX-tiedostoon suunnilleen asettelun säilyttämisellä, mukaan lukien otsikot, lihavointi- ja kursivointityylit sekä perus taulukon rakenne.

Kaikki työkalut

PDF tekstiksi

Poimi teksti PDF-tiedostosta

1Lataa

2Määritä

3Käsittele

Drop file here

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

Tärkeimmät ominaisuudet

Poimii tekstin suoraan PDF:n sisältökerroksesta
Rekonstruoi oikean lukemisjärjestyksen monipalstaasetteluille
Säilyttää kappaleiden rakenteen ja välistyksen
Käsittelee taulukot rivi- ja sarakerajoilla
Tukee PDF:iä satoihin sivuihin asti
Tuottaa siistin TXT-tiedoston ladattavaksi
Esikatsele poimittu teksti selaimessa ennen lataamista
Kopioi teksti suoraan esikatselupaneelista
Käsittelee PDF:t monimutkaisilla sisäkkäisillä tekstirakenteilla
Tunnistaa ja ohittaa koristelelliset tai ei-semanttiset tekstielementit
Toimii salasanasuojatuilla PDF:illä
jos annat salasanan
Ei vaadi tiliä tai rekisteröitymistä
Tiedostot poistetaan heti käsittelyn jälkeen
TLS-salaus kaikille latauksille
Toimii kaikissa nykyaikaisissa selaimissa

Käyttötapaukset

Raporttisisällön kopioiminen asiakirjaeditoriin liittämistä varten
Sopimuslausekkeiden poiminta juridista tarkistusta varten tekstieditorissa
Tietojen vetäminen PDF-laskuista taulukkolaskentaan
Tutkimusartikkelin tekstin poiminta viitteiden hallintaohjelmille
PDF-sisällön syöttäminen käännös- tai lokalisointityökaluihin
Hakukelpoisen tekstihakemiston rakentaminen PDF-tiedostokokoelmasta
Tuotteiden kuvausten poiminta toimittajan PDF-katalogeista
PDF-sisällön valmisteleminen tekoälyn tiivistys- tai analyysityökaluille

Käyttöohjeet

1Lähetä PDF-tiedostosi napsauttamalla latausaluetta tai vetämällä tiedosto tiedostohallinnoijasta.
2Valitse tulostusasetuksesi — pelkkä teksti tai muotoiltu teksti kappaleiden välistyksellä säilytettynä.
3Napsauta Pura ja odota, kun työkalu käsittelee asiakirjan tekstikerroksen.
4Tarkista poimittu teksti esikatselupaneelissa. Varmista, että sarakkeiden järjestys ja kappaleiden rakenne ovat oikein.
5Lataa TXT-tiedosto tai kopioi teksti suoraan esikatselusta leikepöydälle.

Avaat PDF:n, yrität kopioida kappaleen ja saat joko tyhjää tai sekavan joukon merkkejä satunnaisilla rivinvaihdoilla lauseiden keskellä. Niin käy PDF:ien kanssa, jotka on viety suunnittelusovelluksista, skannatuista asiakirjoista joiden OCR on ollut huono, tai tiedostoista, joilla on monimutkaisia monipalstaasetteluja. Teksti on visuaalisesti paikalla — voit lukea sen — mutta et voi valita sitä riittävän siististi liittääksesi sen mihinkään hyödylliseen. Dokk.ai:n PDF tekstiksi -työkalu lukee PDF-tiedostoon upotettua varsinaista tekstisisältökerrosta, ei näytönkaappausta. Vakiotekstipohjaisten PDF:ien osalta tämä tarkoittaa, että jokainen merkki, sana ja kappale poimitaan täsmälleen rakenteen mukaisesti — mukaan lukien lukemisjärjestys monipalstaasetteluille, taulukon solut, luettelokohdat ja alaviitteet. Poiminta säilyttää kappaleiden välistyksen, joten tulos on valmis liitettäväksi asiakirjaeditoriin, sähköpostiin tai sisällönhallintajärjestelmään ilman manuaalista siistimistä. Palstaraskaita asetteluja — kuten tieteelliset artikkelit, lehtiartikkelit ja monipalstaesite — käsitellään asetteluanalyysivaiheella, joka tunnistaa tekstialueet ja rekonstruoi lukemisjärjestyksen oikein. Ilman tätä vaihetta kaksipalstalaisesta PDF:stä naivisti poimittu teksti tuottaa molempien palstojen lomittaista tekstiä, joka on lukukelpoton. Työkalu tunnistaa palstat tilallisesti ja tulostaa ne oikeassa järjestyksessä, vasen palsta ensin. Skannatuille PDF:ille tai kuvapohjaisisille asiakirjoille, joista puuttuu tekstikerros, vakiopoimintatyökalu raportoi oikein, ettei tekstiä ole. Näissä tapauksissa dokk.ai:n OCR-työkalu kannattaa käyttää ensin — se käsittelee skannatut sivut optisen merkkitunnistuksen kautta ja luo hakukelpoisen tekstikerroksen, joka voidaan sitten poimia tai kopioida. PDF Word -työkalu on vaihtoehto, kun tarvitset poimitun sisällön muokattavassa DOCX-muodossa suunnilleen asettelulla, ei pelkkänä tekstinä. Poimittu teksti on saatavilla ladattavana TXT-tiedostona ja se voidaan myös kopioida suoraan esikatselupaneelista. Tämä tekee helpoksi siirtää poimittu sisältö käännöstyökaluihin, tekoälyputkistoihin, hakuindekseihin tai sisällönanalyysikomentosarjoihin. Pura kuvat -työkalu hoitaa täydentävän tehtävän poistaa upotetut grafiikat samasta PDF:stä, jos tarvitset sekä tekstin että visuaalisen sisällön yhdestä asiakirjasta.

Usein kysytyt kysymykset

Turvallisuus ja yksityisyys

PDF:si ladataan salatun TLS-yhteyden kautta ja poistetaan palvelimiltamme heti tekstin poiminnan jälkeen. Emme lue, indeksoi tai tallenna asiakirjasi sisältöä. Rekisteröitymistä ei vaadita.