Konverter PDF ke Teks

Ambil teks dari satu atau banyak PDF: kolom dibaca berurutan, kata yang terpotong tanda hubung diperbaiki, dan paragraf tetap utuh. Simpan sebagai .txt atau Markdown, atau baca halaman hasil scan dengan OCR. File diproses di perangkatmu dan tidak pernah diunggah.

File PDF

Belum ada PDF

Pilih PDF untuk membaca teksnya, atau coba contoh untuk melihat bagaimana kolom, kata yang terpotong tanda hubung, dan tabel ditangani.

Keluaran
Paragraf biasa. Tabel menjadi baris yang dipisah tab.
Pemisah baris
Baris dalam satu paragraf digabung. Paling baik untuk dibaca dan ditempel ke dokumen.
Opsi

Teks hasil ekstraksi

Halaman
—
Kata
—
Karakter
—
Tambahkan PDF untuk mulai

PDF dibaca dan teksnya dibuat di perangkatmu. Tidak ada yang diunggah.

Urutan teks dibangun ulang dari posisi setiap kata di halaman, jadi tata letak yang tidak biasa, teks di dalam gambar, dan tabel yang rumit bisa keluar dengan urutan yang salah. Halaman hasil scan butuh OCR, yang kurang akurat dibanding teks asli. Periksa hasilnya sebelum kamu mengandalkannya.

Cara mengambil teks dari PDF

Untuk mengambil teks dari PDF, letakkan file di kotak di atas. Teks muncul di sebelah kanan begitu halamannya selesai dibaca, dan kamu bisa menyalinnya atau mengunduhnya sebagai file .txt atau Markdown. Semuanya terjadi di browser-mu, jadi kontrak, rekening koran, atau naskah yang belum terbit tidak pernah dikirim ke server.

  1. Tambahkan satu PDF atau beberapa. Pakai tombol contoh jika kamu hanya ingin melihat cara kerja tool ini.
  2. Pilih teks biasa atau Markdown, lalu tentukan apakah baris sebaiknya digabung menjadi paragraf.
  3. Ketik rentang halaman jika kamu hanya butuh sebagian file, misalnya 1-3, 5, 8-.
  4. Periksa hasilnya di tampilan seluruh dokumen atau per halaman, lalu salin atau unduh. Dengan beberapa file, Unduh semua (.zip) memberi satu file teks untuk setiap PDF.

Jumlah kata dan karakter di atas teks berlaku untuk halaman yang kamu pilih, yang berguna untuk menghitung cepat laporan panjang tanpa membuka pengolah kata.

Kenapa teks PDF yang disalin terlihat rusak

PDF tidak menyimpan paragraf. Ia menyimpan potongan teks dengan koordinat, digambar dalam urutan yang dipilih oleh program pembuat file. Jika kamu memilih dan menyalin di pembaca PDF, kamu akan mendapat pemisah baris di akhir setiap baris cetak, kata yang terbelah karena tanda hubung, dan pada artikel dua kolom, baris pertama kolom kiri diikuti baris pertama kolom kanan.

Tool ini menyusun ulang struktur dari koordinat tersebut:

Masalah saat menyalinYang dilakukan toolOpsi
Pemisah baris di setiap baris cetakMenggabungkan baris dalam satu paragraf, mempertahankan jarak antarparagrafPemisah baris
inter-
nasional terpotong di dua baris
Menghapus tanda hubung dan menyambung kataPerbaiki kata yang dipotong tanda hubung
Kolom bercampurMembaca kolom kiri sampai bawah, lalu kolom berikutnyaBaca kolom satu per satu secara berurutan
Nomor halaman dan judul di setiap halamanMembuang baris yang berulang di margin atas atau bawahHapus kepala dan kaki halaman yang berulang
Tabel yang runtuh menjadi satu aliran kataMempertahankan baris dan kolom, dipisah tab atau sebagai tabel MarkdownDeteksi tabel

Satu catatan tentang perbaikan tanda hubung: ia menyambung lanjutan huruf kecil ke kata sebelumnya, jadi kata majemuk yang kebetulan terpotong di tanda hubung, seperti "tanda-
tangan", akan menjadi "tandatangan" tanpa tanda hubung, dan tool tidak tahu bahwa itu kata majemuk. Matikan opsi itu untuk dokumen yang banyak berisi kata majemuk.

Teks biasa atau Markdown?

Teks biasa adalah pilihan paling aman untuk ditempel ke email, aplikasi catatan, atau alat terjemahan. Markdown lebih baik saat teksnya akan masuk ke dokumentasi, wiki, atau aplikasi catatan yang memahaminya. Tool ini menebak judul dari ukuran font: ukuran judul terbesar menjadi #, berikutnya ##, lalu ###. Daftar berpoin dan bernomor mempertahankan penandanya, dan tabel menjadi tabel Markdown. PDF yang memakai satu ukuran font untuk semuanya memang tidak punya judul yang bisa ditemukan.

PDF hasil scan dan OCR

Scan adalah foto dari sebuah halaman, jadi tidak ada teks yang bisa diambil. Saat sebuah halaman tidak punya lapisan teks, kotak OCR muncul tempat kamu memilih bahasa dan membaca halamannya. Mesin OCR (Tesseract) berjalan di browser-mu. Mesin dan data bahasanya diunduh pada pemakaian pertama (beberapa megabita, lebih banyak untuk bahasa tertentu), dan halamanmu tetap tidak diunggah.

Yang tidak bisa dilakukan

Teks yang merupakan bagian dari gambar, bagan, atau gambar teknik bukan teks dalam PDF dan akan dilewati kecuali kamu memakai OCR pada halaman itu. Tata letak rumit dengan kotak mengambang, sidebar, atau teks yang melingkari gambar bisa terbaca dengan urutan yang salah, dan tampilan per halaman adalah cara tercepat untuk menemukannya. PDF yang dibuat dengan pengodean font yang rusak bisa menghasilkan huruf yang kacau, yang akan terlihat di hasil sebelum kamu mengunduh apa pun. Teks yang digambar miring dilewatkan. File di atas 150 MB ditolak supaya tab tidak kehabisan memori.

Pertanyaan yang sering diajukan

Bagaimana cara mengambil teks dari PDF tanpa mengunggahnya?

Letakkan PDF di halaman ini dan teksnya muncul di sebelah kanan sesaat kemudian, siap disalin atau diunduh sebagai .txt. Browser-mu sendiri yang membaca file, jadi tidak ada yang meninggalkan ponsel atau komputermu. PDF teks 20 halaman selesai dalam beberapa detik.

Kenapa teks yang disalin dari PDF punya baris putus dan spasi yang aneh?

PDF menyimpan setiap baris sebagai potongan terpisah yang diletakkan di halaman, bukan sebagai paragraf. Tool ini menyusun kembali potongan-potongan itu sesuai urutan membaca, menyambung baris dari tiap paragraf, dan memperbaiki kata yang terpotong tanda hubung di akhir baris, sehingga hasilnya rapi saat ditempel ke dokumen. Jika kamu butuh baris persis seperti tercetak, ganti Pemisah baris ke Pertahankan pemisah baris.

Bisakah membaca PDF dengan dua atau tiga kolom dalam urutan yang benar?

Bisa, dalam sebagian besar kasus. Tool ini mencari celah vertikal yang jelas dan membaca tiap kolom dari atas ke bawah sebelum pindah ke kolom berikutnya, sementara judul selebar halaman di atas kolom tetap di posisi teratas. Halaman majalah dengan teks yang melingkari gambar, sidebar, atau kotak tidak beraturan tetap bisa keluar dengan urutan yang salah, jadi periksa halaman seperti itu di tampilan per halaman.

Bagaimana cara mengambil teks dari PDF hasil scan?

Pakai kotak OCR yang muncul saat halaman tidak punya lapisan teks. Pilih bahasa dokumennya lalu tekan Baca halaman dengan OCR. Mesinnya berjalan di browser-mu dan pada pemakaian pertama data bahasanya diunduh sekali. Scan 300 DPI yang bersih terbaca dengan baik, foto ponsel yang miring jauh lebih buruk, jadi periksa lagi hasilnya.

Bisakah teksnya diambil sebagai Markdown dengan judul?

Bisa. Pilih Markdown (.md) dan teks yang lebih besar diubah menjadi judul: ukuran terbesar menjadi #, berikutnya ##, lalu ###. Daftar berpoin dan bernomor mempertahankan penandanya, dan tabel menjadi tabel Markdown. Judul ditebak dari ukuran font, jadi PDF yang memakai satu ukuran di semua tempat tidak akan punya judul.

Bagaimana cara menghapus kepala halaman, kaki halaman, dan nomor halaman dari teks hasil ekstraksi?

Biarkan Hapus kepala, kaki, dan nomor halaman yang berulang tetap tercentang. Baris di margin atas atau bawah yang berulang di setidaknya separuh halaman, dan nomor halaman yang berdiri sendiri, akan dibuang. Judul yang hanya muncul di satu halaman tetap disimpan. Hilangkan centang opsi itu jika kaki halaman yang kamu perlukan ikut terhapus.

Bisakah saya mengambil teks dari beberapa halaman saja atau dari banyak PDF sekaligus?

Ketik halaman seperti 1-3, 5, 8- di kotak Halaman dan hanya halaman itu yang dibaca. Kamu juga bisa menambahkan beberapa PDF dan mengunduh satu file teks untuk masing-masing dalam satu .zip. Opsi dan rentang halaman yang sama berlaku untuk setiap file.

Apakah ada batas ukuran PDF?

PDF hingga 150 MB bisa dibuka dan hingga 3.000 halaman dibaca sekaligus. Halaman diproses satu per satu dengan bilah kemajuan dan tombol Batal, jadi file 200 halaman tidak membuat tab membeku. PDF yang dilindungi kata sandi akan meminta kata sandinya, dan kata sandi itu hanya dipakai untuk membuka file di perangkatmu.