PDF ke Teks

Cara mengekstrak teks dari PDF

1. Seret dan lepas PDF ke area di atas, atau klik untuk memilihnya.
2. Klik Ekstrak teks. Teks setiap halaman dibaca berurutan dan ditampilkan di kotak pratinjau, dengan penanda seperti --- Halaman 2 --- di awal setiap halaman.
3. Salin teks dari kotak pratinjau, atau unduh sebagai file .txt biasa (UTF-8).

Ekstraksi dilakukan oleh pdf.js, mesin yang sama yang menjalankan penampil PDF bawaan Firefox, berjalan di tab browser Anda. Dokumen tidak diunggah, sehingga Anda dapat dengan aman mengambil teks dari kontrak, makalah penelitian, atau rekening koran.

Cara kerja ekstraksi teks PDF

Di dalam PDF, setiap halaman memiliki content stream: daftar instruksi menggambar seperti "gunakan font F1 pada 11 poin, pindah ke posisi (72, 700), tampilkan karakter-karakter ini". Karena itu, teks disimpan sebagai fragmen yang berposisi, kadang seluruh baris, kadang satu kata atau bahkan huruf demi huruf.

Untuk mengubahnya kembali menjadi teks yang dapat dibaca, ekstraktor:

1. men-decode setiap fragmen dari kode karakter internal font menjadi Unicode, menggunakan tabel pemetaan yang tertanam di PDF;
2. mengurutkan fragmen berdasarkan posisinya di halaman;
3. menyisipkan spasi dan jeda baris di tempat celah antarfragmen menandakan kata baru dan baris baru.

Karena PDF tidak memiliki konsep eksplisit tentang paragraf atau urutan baca, hasilnya adalah teks biasa dengan jeda baris, bukan paragraf yang diformat. Untuk sebagian besar dokumen (surat, laporan, buku, artikel), hasilnya terbaca dengan wajar.

Keterbatasan

Tes cepat menunjukkan apa yang bisa diharapkan: buka PDF di penampil mana pun dan coba pilih satu kalimat. Jika Anda dapat menyorot dan menyalinnya, teksnya dapat diekstrak. Jika seluruh halaman tersorot sebagai satu blok, atau tidak ada yang tersorot, berarti itu gambar.

Tips

• Ingin mempertahankan judul dan paragraf, bukan baris biasa? Gunakan PDF ke Word dalam mode yang dapat diedit.
• Untuk angka yang tersusun dalam tabel, PDF ke Excel menempatkan nilai ke dalam baris dan kolom.
• Teks biasa ideal untuk indeks pencarian, alat terjemahan, penghitungan kata, perangkum AI, dan perangkat lunak aksesibilitas, karena tidak memuat pemformatan yang harus dibuang.

Pertanyaan yang sering diajukan

Mengapa saya mendapat pesan "Tidak ada teks yang ditemukan"?

PDF berisi gambar teks, bukan teks sungguhan, yang lazim pada hasil pindai. Teks dari file seperti itu hanya dapat dipulihkan dengan perangkat lunak OCR.

Mengapa beberapa karakter diganti dengan simbol aneh?

Sebagian PDF menyematkan font dengan kode karakter kustom dan tanpa pemetaan Unicode. Penampil dapat menggambar bentuknya, tetapi tidak ada cara yang andal untuk mengetahui huruf apa yang diwakilinya.

Apakah pemformatan seperti tebal atau ukuran font dipertahankan?

Tidak. Hasilnya adalah teks UTF-8 biasa. Setiap baris halaman menjadi satu baris teks, tetapi font, warna, dan gambar tidak dipertahankan.

Bisakah saya mengekstrak teks dari halaman tertentu saja?

Alat ini mengekstrak seluruh dokumen. Untuk membatasinya, simpan dulu halaman yang Anda butuhkan sebagai file terpisah dengan Pisahkan PDF.

Diperbarui 2026-10-17