Så hämtar du ut text ur en PDF
- Lägg till PDF-filen. Tryck på Välj PDF eller släpp filen på sidan. Om den är lösenordsskyddad skriver du lösenordet och trycker på Öppna.
- Låt den läsa sidorna. Textbitarna på varje sida läses in och byggs ihop till rader utifrån sina positioner. En förloppsindikator visar vilken sida den är på.
- Justera resultatet. Bocka i En sida per avsnitt för att få en rubrik ovanför varje sida, och Ta bort avstavning för att foga ihop ord som brutits vid radslut. Rutan uppdateras direkt.
- Kopiera eller ladda ner. Tryck på Kopiera text för att lägga den i urklipp, eller Ladda ner .txt för att spara en textfil med samma namn som PDF-filen.
Vad det gör
- Hämtar ut hela textlagret i en PDF och behåller radbrytningar och styckemellanrum som de ser ut på sidan
- En sida per avsnitt: lägger en rubrik av typen ”Sida 3 av 12” ovanför varje sidas text
- Ta bort avstavning: fogar ihop ord som brutits vid radslut (doku- / ment → dokument)
- Kopiera till urklipp med ett tryck, eller ladda ner som en .txt-fil i UTF-8
- Säger ifrån när en PDF saknar textlager (en skanning) och länkar till OCR-verktyget i stället för att ge dig en tom fil
- Körs helt på din enhet — den enda nätverksförfrågan hämtar det öppna biblioteket PDF.js
Vad hämtar verktyget ut?
En PDF-sida är en lista med ritinstruktioner. När filen skapats från ett digitalt dokument — en Word-fil, en webbsida, ett e-postmeddelande — innehåller instruktionerna ett textlager: själva tecknen plus var varje bit sitter på sidan. PDF.js läser det lagret och rapporterar det som positionerade textbitar (dess getTextContent-API). Det här verktyget bygger ihop läsbara rader av de bitarna och ger dig resultatet som ren text. Om PDF-filen är en skanning finns inget textlager och inget att hämta ut; verktyget säger det och skickar dig till OCR i stället för att ge dig en tom fil.
Hur byggs raderna ihop?
| Regel | Vad den gör | Varför |
|---|---|---|
| Samma baslinje → samma rad | Textbitar vars lodräta position skiljer sig mindre än halva teckenhöjden fogas ihop till en rad, från vänster till höger | PDF-program delar upp en rad i många bitar (per ord, per teckensnittsbyte, per kerningpar) |
| Glapp → mellanslag | Ett vågrätt glapp bredare än en fjärdedel av teckenhöjden mellan två bitar blir ett enda mellanslag | Många PDF-filer lagrar aldrig mellanslagstecken; glappet är det enda beviset |
| Stort lodrätt avstånd → tom rad | Ett avstånd på mer än 1,6 radhöjder mellan rader lägger in en tom rad | Håller stycken och rubriker synligt åtskilda |
| En sida per avsnitt (tillval) | Lägger en rubrik ===== Page n of N ===== före varje sida, tomma sidor inräknade | Låter dig hitta ett stycke i originalet |
| Ta bort avstavning (tillval) | Fogar ihop doku- + radbrytning + ment till dokument när båda sidorna är gemena bokstäver; tar bort mjuka bindestreck vid radslut | Marginaljusterad text är full av bindestreck vid radslut som inte hör till ordet |
När är ren text rätt format?
- När du klistrar in en avtalsklausul, ett brev eller ett citat i ett e-postmeddelande, en anteckning eller en sökruta.
- När du matar ett dokument till ett översättningsverktyg, en skärmläsare eller ett textanalysskript.
- När du vill ha en sökbar kopia bredvid originalet, eller kontrollera vad skannerns OCR faktiskt kände igen.
- När du räknar och citerar: PDF-ordräknaren ger siffrorna; det här verktyget ger orden.
Behöver du layouten använder du PDF-filen själv eller gör om sidorna till bilder med PDF till JPG. Behöver du ta bort något innan du delar raderar Maskera PDF texten under, inte bara bläcket.
Vilka är begränsningarna?
- Bara textlagret. En skanning utan OCR ger ingenting; en skanning med OCR ger OCR-resultatet, fel inräknade.
- Läsordningen är geometrisk: uppifrån och ner, från vänster till höger. Flerspaltiga sidor och tabeller kan blandas ihop.
- Värden i formulärfält, kommentarer, anteckningar, bokmärken och bifogade filer är inte en del av sidtexten och hämtas inte ut.
- Teckensnitt med trasig eller saknad Unicode-mappning (vissa gamla PDF-generatorer, vissa symbolteckensnitt) kommer ut som skräptecken; det är ett fel i filen, och en PDF-läsares kopieringskommando visar samma sak.
- Ingen formatering överlever: fetstil, kursiv, färger, länkar och bilder faller bort.