PDF'den metin nasıl çıkarılır
- Bir PDF'yi yukarıdaki bırakma alanına sürükleyin veya seçmek için tıklayın.
- Metni çıkar düğmesine tıklayın. Her sayfanın metni sırayla okunur ve önizleme kutusunda gösterilir; her sayfanın başında
--- Sayfa 2 ---gibi bir işaret bulunur. - Metni önizleme kutusundan kopyalayın veya düz bir
.txtdosyası (UTF-8) olarak indirin.
Çıkarma işlemini, Firefox'un yerleşik PDF görüntüleyicisinde de kullanılan pdf.js motoru tarayıcı sekmenizde yapar. Belge yüklenmez; bu yüzden sözleşmelerden, araştırma makalelerinden veya ekstrelerden güvenle metin çıkarabilirsiniz.
PDF metin çıkarma nasıl çalışır
Bir PDF'nin içinde her sayfanın bir içerik akışı vardır: "F1 yazı tipini 11 puntoda kullan, (72, 700) konumuna git, bu karakterleri göster" gibi çizim talimatlarından oluşan bir liste. Bu nedenle metin, konumlandırılmış parçalar olarak saklanır; bazen bütün bir satır, bazen tek bir sözcük, hatta tek tek harfler.
Bunu yeniden okunabilir metne dönüştürmek için çıkarıcı şunları yapar:
- PDF'ye gömülü eşleme tablolarını kullanarak her parçayı yazı tipinin iç karakter kodlarından Unicode'a çözer;
- parçaları sayfadaki konumlarına göre sıralar;
- parçalar arasındaki boşlukların yeni sözcükleri ve yeni satırları düşündürdüğü yerlere boşluk ve satır sonu ekler.
PDF'nin paragraflar veya okuma sırası konusunda açık bir kavramı olmadığı için çıktı, biçimlendirilmiş paragraflar değil, satır sonlu düz metindir. Çoğu belge için (mektuplar, raporlar, kitaplar, makaleler) sonuç doğal okunur.
Sınırlamalar
| Durum | Ne görürsünüz |
|---|---|
| Taranmış veya fotoğraflanmış sayfalar | Metin yok – sayfa bir görüntüdür ve OCR sağlanmaz |
| Çok sütunlu düzenler | Sütunlar satır satır iç içe geçebilir |
| Tablolar | Hücre değerleri satırlar halinde, ızgara olmadan |
| Unicode eşlemesi olmayan yazı tipleri | Bozuk veya eksik karakterler |
| Parola korumalı / şifreli PDF | Dosya açılamaz |
Hızlı bir test ne bekleyeceğinizi söyler: PDF'yi herhangi bir görüntüleyicide açın ve bir cümleyi seçmeyi deneyin. Vurgulayıp kopyalayabiliyorsanız metin çıkarılabilir. Tüm sayfa tek blok olarak vurgulanıyorsa ya da hiçbir şey vurgulanmıyorsa, bu bir görüntüdür.
İpuçları
- Düz satırlar yerine başlıkları ve paragrafları korumak mı istiyorsunuz? PDF'den Word'e aracını düzenlenebilir modda kullanın.
- Tablolar halinde düzenlenmiş rakamlar için PDF'den Excel'e aracı değerleri satırlara ve sütunlara yerleştirir.
- Düz metin; arama dizinleri, çeviri araçları, sözcük sayımı, yapay zekâ özetleyicileri ve erişilebilirlik yazılımları için idealdir, çünkü ayıklanması gereken hiçbir biçimlendirme içermez.
Sık sorulan sorular
Neden "Metin bulunamadı" mesajı alıyorum?
PDF, gerçek metin yerine metin görüntüleri içeriyor; bu, taramalar için tipiktir. Bu tür dosyalardan metin yalnızca OCR yazılımıyla geri kazanılabilir.
Neden bazı karakterler garip sembollerle değiştiriliyor?
Bazı PDF'ler özel karakter kodlarına sahip ve Unicode eşlemesi olmayan yazı tipleri gömer. Görüntüleyici şekilleri çizebilir, ancak hangi harfleri temsil ettiklerini bilmenin güvenilir bir yolu yoktur.
Kalın veya yazı tipi boyutu gibi biçimlendirme korunuyor mu?
Hayır. Çıktı düz UTF-8 metindir. Sayfanın her satırı bir metin satırı olur, ancak yazı tipleri, renkler ve görüntüler korunmaz.
Yalnızca belirli sayfalardan metin çıkarabilir miyim?
Araç belgenin tamamındaki metni çıkarır. Sınırlamak için önce ihtiyacınız olan sayfaları PDF Böl ile ayrı bir dosya olarak kaydedin.
Güncellendi