चरण-दर-चरण PDF फ़ाइलों से टेक्स्ट कैसे निकालें
त्वरित जवाब
PDF से टेक्स्ट निकालने के लिए: PDF to Text टूल खोलें, PDF अपलोड करें और निकाला गया टेक्स्ट textarea में दिखता है। टेक्स्ट copy करें या .txt फ़ाइल के रूप में डाउनलोड करें। सारा प्रोसेसिंग स्थानीय है —PDF कभी अपलोड नहीं होता।
परिचय
PDF से टेक्स्ट निकालना टेक्स्ट सामग्री को copy, search, edit या विश्लेषण के लिए उपलब्ध बनाता है। डिजिटल PDF (टेक्स्ट प्रोसेसर से बने) में embedded टेक्स्ट होता है जो सीधे निकाला जा सकता है। स्कैन किए PDF (पेजों की इमेज) को OCR (Optical Character Recognition) चाहिए।
क्रमशः
-
PDF को टेक्स्ट टूल में खोलें
टेक्स्ट एक्सट्रैक्टर टूल पेज पर PDF पर जाएं। टूल WASM-आधारित PDF पार्सिंग लाइब्रेरी का उपयोग करके स्थानीय रूप से PDF को संसाधित करता है।
-
अपनी PDF फ़ाइल अपलोड करें
अपलोड पर क्लिक करें या अपनी PDF फ़ाइल को टूल पर खींचें और छोड़ें। टूल फ़ाइल को मेमोरी में लोड करता है। डिजिटल पीडीएफ़ (एम्बेडेड टेक्स्ट के साथ) शीघ्रता से निकाले जाते हैं; स्कैन की गई पीडीएफ़ के लिए OCR की आवश्यकता हो सकती है।
-
पाठ निकालें
निकालें पर क्लिक करें. टूल PDF को पार्स करता है और प्रत्येक पृष्ठ से सभी टेक्स्ट सामग्री निकालता है। डिजिटल पीडीएफ़ के लिए, यह तेज़ और सटीक है। स्कैन की गई पीडीएफ़ के लिए, टूल OCR (tesseract.js) का उपयोग कर सकता है जो धीमा है लेकिन फिर भी स्थानीय है।
-
निकाले गए पाठ की समीक्षा करें
निकाला गया पाठ एक पाठ क्षेत्र में दिखाई देता है, जिसमें पृष्ठ विराम आमतौर पर विभाजकों द्वारा इंगित किया जाता है। सटीकता के लिए पाठ की समीक्षा करें - स्कैन किए गए पृष्ठों पर OCR में त्रुटियां हो सकती हैं, विशेष रूप से असामान्य फ़ॉन्ट या निम्न-गुणवत्ता वाले स्कैन के लिए।
-
टेक्स्ट को कॉपी या डाउनलोड करें
टेक्स्ट को अपने क्लिपबोर्ड पर कॉपी करने के लिए कॉपी पर क्लिक करें, या इसे .txt फ़ाइल के रूप में सहेजने के लिए डाउनलोड पर क्लिक करें। खोज, संपादन, विश्लेषण या किसी अन्य दस्तावेज़ में चिपकाने के लिए पाठ का उपयोग करें।
उदाहरण
डिजिटल PDF निष्कर्षण
इनपुट: रिपोर्ट.पीडीएफ (10 पृष्ठ, डिजिटल पाठ)
उत्पादन: पूर्ण पाठ्य सामग्री, ~5000 शब्द, उच्च सटीकता
PDF को OCR के साथ स्कैन किया गया
इनपुट: scanned.pdf (5 पृष्ठ, स्कैन की गई छवियां)
उत्पादन: OCR-निकाले गए पाठ, ~2000 शब्द, में छोटी त्रुटियां हो सकती हैं
मिश्रित__रखें_12__
इनपुट: मिश्रित.पीडीएफ (कुछ डिजिटल, कुछ स्कैन किए गए पृष्ठ)
उत्पादन: Digital pages extract perfectly; scanned pages use OCR
सामान्य समस्या
- स्कैन की गई पीडीएफ़ OCR त्रुटियाँ उत्पन्न करती हैं —OCR सही नहीं है। असामान्य फ़ॉन्ट, कम रिज़ॉल्यूशन, या तिरछा स्कैन सटीकता को कम करता है। हमेशा निकाले गए टेक्स्ट को प्रूफ़रीड करें।
- 'डिजिटल' PDF से कोई पाठ नहीं निकाला गया - कुछ पीडीएफ पाठ को वर्णों के बजाय रूपरेखा (वेक्टर ग्राफिक्स) के रूप में संग्रहीत करते हैं। इनके लिए OCR की आवश्यकता होती है, भले ही वे टेक्स्ट की तरह दिखते हों।
- फ़ॉर्मेटिंग नष्ट हो गई—पाठ निष्कर्षण फ़ॉन्ट, रंग और लेआउट खो देता है। आउटपुट सादा पाठ है, स्वरूपित दस्तावेज़ नहीं।
- बड़ी पीडीएफ धीमी हो सकती हैं—100+ पृष्ठ PDF से टेक्स्ट निकालने में कई सेकंड लग सकते हैं, खासकर OCR के साथ।
सुझावों
- डिजिटल पीडीएफ़ पूरी तरह से और तुरंत निकाले जाते हैं—जब संभव हो तो उनका उपयोग करें। यदि आप स्रोत को नियंत्रित करते हैं, तो डिजिटल PDF के रूप में निर्यात करें, स्कैन के रूप में नहीं।
- स्कैन की गई पीडीएफ के लिए, उच्च रिज़ॉल्यूशन स्कैन बेहतर OCR परिणाम देते हैं - 300 डीपीआई एक अच्छा न्यूनतम है।
- पूर्ण-पाठ खोज अनुक्रमणिका, सामग्री विश्लेषण, या पहुंच के लिए निकाले गए पाठ का उपयोग करें (स्क्रीन रीडर OCR के बिना स्कैन की गई पीडीएफ नहीं पढ़ सकते हैं)।
- निजी, ब्राउज़र-आधारित निष्कर्षण के लिए हमारे PDF से टेक्स्ट टूल का उपयोग करें—आपका PDF आपका डिवाइस कभी नहीं छोड़ता।