Zo haal je tekst uit een PDF
- Voeg de PDF toe. Tik op Kies PDF of sleep het bestand op de pagina. Is het beveiligd met een wachtwoord, typ dan het wachtwoord en tik op Openen.
- Laat de pagina's lezen. De tekstfragmenten van elke pagina worden gelezen en op basis van hun positie weer tot regels opgebouwd. Een voortgangsbalk laat zien bij welke pagina hij is.
- Pas de uitvoer aan. Vink Eén pagina per sectie aan voor een kop boven elke pagina, en Afbrekingen verwijderen om woorden die aan het regeleinde zijn afgebroken aan elkaar te plakken. Het vak wordt meteen bijgewerkt.
- Kopieer of download. Tik op Tekst kopiëren om de tekst op het klembord te zetten, of op .txt downloaden om een platte-tekstbestand op te slaan met dezelfde naam als de PDF.
Wat het doet
- Haalt de volledige tekstlaag uit een PDF, met regeleinden en alinea-afstand zoals ze op de pagina staan
- Eén pagina per sectie: zet een kop als „Pagina 3 van 12” boven de tekst van elke pagina
- Afbrekingen verwijderen: plakt woorden aan elkaar die aan het regeleinde zijn afgebroken (docu- / ment → document)
- Met één tik naar het klembord kopiëren, of downloaden als UTF-8 .txt-bestand
- Meldt het als een PDF geen tekstlaag heeft (een scan) en linkt naar de OCR-tool in plaats van een leeg bestand te geven
- Draait volledig op je apparaat — het enige netwerkverzoek haalt de open-source bibliotheek PDF.js op
Wat haalt de tool eruit?
Een PDF-pagina is een lijst met tekeninstructies. Als het bestand uit een digitaal document is gemaakt — een Word-bestand, een webpagina, een e-mail — bevatten die instructies een tekstlaag: de tekens zelf plus de plek van elk fragment op de pagina. PDF.js leest die laag en geeft hem door als gepositioneerde tekstfragmenten (zijn getTextContent-API). Deze tool bouwt uit die fragmenten leesbare regels op en geeft je het resultaat als platte tekst. Is de PDF een scan, dan is er geen tekstlaag en niets om uit te halen; de tool zegt dat en stuurt je naar OCR in plaats van je een leeg bestand te geven.
Hoe worden regels opnieuw opgebouwd?
| Regel | Wat hij doet | Waarom |
|---|---|---|
| Zelfde basislijn → zelfde regel | Tekstfragmenten waarvan de verticale positie minder dan een halve letterhoogte verschilt, worden van links naar rechts tot één regel samengevoegd | PDF-programma's knippen een regel in veel fragmenten (per woord, per lettertypewissel, per kerningpaar) |
| Ruimte → spatie | Een horizontale ruimte breder dan een kwart van de letterhoogte tussen twee fragmenten wordt één spatie | Veel PDF's slaan nooit spatietekens op; de ruimte is het enige bewijs |
| Grote verticale afstand → lege regel | Een afstand van meer dan 1,6 regelhoogte tussen regels voegt een lege regel in | Houdt alinea's en koppen zichtbaar gescheiden |
| Eén pagina per sectie (optie) | Zet een kop ===== Page n of N ===== voor elke pagina, lege pagina's meegerekend | Zo vind je een passage terug in het origineel |
| Afbrekingen verwijderen (optie) | Plakt docu- + regeleinde + ment aan elkaar tot document als beide kanten kleine letters zijn; verwijdert zachte afbreekstreepjes aan een regeleinde | Uitgevulde tekst staat vol afbreekstreepjes aan regeleinden die geen deel van het woord zijn |
Wanneer is platte tekst de juiste uitvoer?
- Een contractbepaling, een brief of een citaat plakken in een e-mail, een notitie of een zoekvak.
- Een document aan een vertaaltool, een schermlezer of een tekstanalysescript voeren.
- Een doorzoekbare kopie naast het origineel bewaren, of nakijken wat de OCR van een scanner werkelijk heeft herkend.
- Tellen en citeren: de PDF-woordenteller geeft de cijfers; deze tool geeft de woorden.
Heb je de opmaak nodig, gebruik dan de PDF zelf of zet de pagina's om naar afbeeldingen met PDF naar JPG. Moet er iets weg voordat je deelt, dan verwijdert PDF zwartlakken de tekst eronder, niet alleen de inkt.
Wat zijn de beperkingen?
- Alleen de tekstlaag. Een scan zonder OCR levert niets op; een scan met OCR levert de OCR-uitvoer op, fouten inbegrepen.
- De leesvolgorde is geometrisch: van boven naar beneden, van links naar rechts. Pagina's met meerdere kolommen en tabellen kunnen door elkaar lopen.
- Waarden van formuliervelden, opmerkingen, annotaties, bladwijzers en bijgevoegde bestanden horen niet bij de paginatekst en worden niet uitgelezen.
- Lettertypen met een kapotte of ontbrekende Unicode-toewijzing (sommige oude PDF-generatoren, sommige symbool-lettertypen) komen eruit als onzintekens; dat is een gebrek van het bestand, en de kopieerfunctie van een PDF-lezer laat hetzelfde zien.
- Geen opmaak overleeft: vet, cursief, kleuren, links en afbeeldingen vallen weg.