Ekstraktor teks PDF yang menyatukan baris terputus menjadi paragraf
Pilih PDF, lalu teks dari semua halamannya muncul di kotak hasil. Satukan baris yang terputus menjadi paragraf, kemudian salin halaman yang diperlukan atau simpan sebagai TXT.
Letakkan satu PDF di sini untuk mengambil teksnya
Berkas dibaca di browser ini dan tidak diunggah ke server.
Maks. 50 MiB · 200 halaman · untuk PDF yang berisi teks (gambar hasil pindaian tidak di-OCR)
Ini PDF contoh 4 halaman buatan kami. Halaman 1–3 memiliki kepala halaman dan nomor halaman, sedangkan halaman 4 hanya berisi gambar. Ubah opsi baris dan kepala halaman untuk membandingkan hasilnya. Pilih dokumen Anda sendiri di atas.
Membaca 0 / 0 halaman
Belum ada teks yang diambil.
Pilih PDF, lalu teks di setiap halaman akan dibaca dan ditampilkan di sini.
Teks di dalam gambar hasil pindaian tidak diambil karena alat ini tidak menjalankan OCR. PDF yang memakai kata sandi pembuka atau membatasi penyalinan tidak diproses. Urutan teks mengikuti urutan di dalam PDF, sehingga kolom dan tabel bisa keluar dengan urutan tercampur. TXT disimpan dalam UTF-8 dengan BOM agar Notepad dan Excel membukanya dengan benar.
langsung bisa dipakai.
- Terlihat sejak awalArea input dan hasil dibuat jelas.
- Hasil lebih duluAngka utama ditaruh di depan, detail mengikuti seperlunya.
- Tidak banyak syaratTanpa akun atau data tambahan sebelum memakai alat.
Cara mengambil teks dari PDF dan merapikannya
Ekstrak teks PDF berarti mengambil karakter yang tersimpan di dalam berkas PDF lalu memindahkannya menjadi teks yang bisa diedit. Jika menyalin langsung dari penampil PDF, biasanya setiap akhir baris ikut membawa jeda baris sehingga kalimat terpotong-potong. Alat ini membaca teks per halaman, menyatukan baris yang termasuk satu paragraf, lalu memungkinkan Anda menyalin halaman yang diperlukan saja atau menyimpannya sebagai berkas TXT.
Alat ini ditujukan untuk PDF yang berisi teks, misalnya dokumen yang diekspor dari Word, Google Docs, atau LibreOffice, serta laporan yang diunduh dari web. PDF hasil memindai kertas hanya berisi gambar; karena alat ini tidak menjalankan OCR, halaman seperti itu tidak menghasilkan teks dan ditandai sebagai halaman tanpa teks. Berkas Anda dibaca di browser ini dan tidak dikirim ke server.
Pastikan dulu PDF berisi teks
Dua PDF bisa terlihat sama tetapi menyimpan isi yang berbeda: yang satu menyimpan karakter sebagai teks, yang lain menyimpan setiap halaman sebagai gambar. Jika Anda bisa menyeret kursor pada sebuah kalimat di penampil PDF dan teks tersorot kata demi kata, berkas itu berisi teks. Jika seluruh halaman terpilih sebagai satu gambar atau tidak ada yang bisa dipilih, kemungkinan besar itu PDF hasil pindaian.
Jika PDF hasil pindaian dibuka di sini, halaman tersebut ditandai “tanpa teks”. Berkas campuran cukup umum, misalnya sampul berupa gambar diikuti isi berupa teks. Periksa nomor halaman yang tercantum di bawah kotak hasil, lalu proses halaman itu saja dengan program OCR.
Dari memilih PDF sampai menyimpan TXT
Setelah Anda memilih atau meletakkan satu PDF, alat ini membaca teks sekali dari halaman pertama sampai terakhir. Selama membaca, bilah kemajuan menampilkan jumlah halaman, lalu teks semua halaman terpilih muncul di kotak hasil. Jika kemudian Anda mengubah cara baris atau opsi lain, hasil langsung dirapikan ulang tanpa membaca berkas lagi.
Sebelum mencoba dokumen pribadi, tekan Buka PDF contoh untuk melihat efek setiap opsi. Contoh ini berisi tiga halaman dengan kepala halaman dan nomor halaman serta satu halaman yang hanya berisi gambar, dan hanya dibuka jika tombol ditekan.
- Pilih PDF lalu periksa nama berkas, jumlah halaman, dan jumlah halaman berteks.
- Isi halaman yang diambil jika Anda tidak memerlukan semuanya.
- Tentukan cara baris, penanda halaman, penghapusan kepala halaman dan nomor halaman, serta perapian spasi.
- Di Tampilan, baca semua halaman terpilih atau satu halaman; satu halaman menampilkan halaman asli di samping teks.
- Ambil hasilnya dengan Salin semua, Salin halaman, atau Simpan TXT.
Satukan jadi paragraf atau baris PDF apa adanya
Kebanyakan PDF tidak mengenal paragraf. Setiap baris yang terlihat disimpan bersama posisinya, sehingga menyalin biasa menghasilkan jeda setelah setiap baris. Satukan jadi paragraf menggabungkan baris-baris dalam satu paragraf menjadi teks bersambung dan menyisakan satu baris kosong di antara paragraf.
Misalnya PDF menampilkan “Data yang kami kumpulkan meliputi nama dan” di satu baris dan “alamat email Anda.” di baris berikutnya. Hasilnya menjadi “Data yang kami kumpulkan meliputi nama dan alamat email Anda.” Baris PDF apa adanya membiarkan kedua baris seperti semula, cocok untuk alamat, puisi, atau daftar yang posisi barisnya bermakna.
Batas paragraf ditentukan dari jarak vertikal. Jika jarak antara dua baris kira-kira 1,5 kali jarak baris biasa di halaman itu, paragraf baru dimulai. Judul dengan ukuran huruf berbeda, baris yang kembali ke atas karena teks pindah ke kolom berikutnya, serta baris yang diawali penanda daftar seperti •, 1., atau (1) juga memulai paragraf baru.
Cara spasi diatur saat baris disatukan
Baris berbahasa Indonesia disatukan dengan satu spasi. Aksara Tionghoa dan Jepang disatukan tanpa spasi karena bahasa tersebut tidak memisahkan kata dengan spasi.
Jika sebuah kata terputus dengan tanda hubung di akhir baris, seperti “buku-” lalu “buku”, hasilnya “buku-buku” tanpa spasi dan tanda hubung tetap ada. Ini penting untuk kata ulang dalam bahasa Indonesia: menghapus tanda hubung secara otomatis justru akan merusak kata seperti “anak-anak” atau “COVID-19”. Karena itu alat ini tidak menghapus karakter apa pun. Periksa sisa tanda hubung akhir baris pada teks rata kiri-kanan yang memenggal kata biasa, misalnya “perpus-” dan “takaan”.
Menghapus kepala halaman dan nomor halaman berulang
Laporan sering mengulang judul dokumen di bagian atas dan nomor seperti “Halaman 3 dari 20” di bagian bawah setiap halaman, sehingga baris itu muncul berulang di tengah teks hasil ekstraksi. Jika opsi Hapus kepala halaman dan nomor halaman berulang dinyalakan, alat ini membandingkan baris pertama dan terakhir setiap halaman yang memiliki minimal tiga baris (dua baris di setiap tepi bila halaman berisi lima baris atau lebih), lalu menghapus baris yang berulang antarhalaman. Alat ini tidak pernah mengosongkan satu halaman, jadi halaman yang hanya berisi satu judul bab tetap utuh.
Baris yang hanya berbeda angkanya dianggap baris yang sama, sehingga “Halaman 1 dari 20” dan “Halaman 2 dari 20” dihitung berulang. Sebuah baris hanya dihapus jika muncul di minimal 60% halaman yang dibandingkan dan di minimal tiga halaman.
Opsi ini mati secara bawaan karena baris yang dibutuhkan, misalnya kepala tabel yang berulang di atas setiap halaman, bisa memenuhi aturan posisi yang sama. Saat opsi aktif, jumlah baris yang dihapus ditampilkan di bawah hasil; jika angkanya tidak sesuai, matikan opsi dan bandingkan.
Mengambil halaman yang diperlukan saja
Ketik 2,4-6 di Halaman yang diambil, maka hanya halaman 2, 4, 5, dan 6 yang masuk ke hasil. Koma menggabungkan halaman atau rentang yang terpisah, sedangkan tanda hubung menandai rentang berurutan. Menulis 6,2 tetap menghasilkan halaman 2 sebelum halaman 6, dan halaman yang ditulis dua kali hanya muncul sekali.
Nomor dihitung dengan halaman pertama PDF sebagai 1 dan bisa berbeda dari nomor yang tercetak di dokumen. Jika ada sampul dan daftar isi di depan, halaman 1 yang tercetak menjadi halaman 3 di sini. Pilih satu halaman di Tampilan dan bandingkan dengan pratinjau halaman asli untuk menemukan nomor yang tepat.
Penanda halaman dan halaman tanpa teks
Jika Tambahkan penanda halaman aktif, teks setiap halaman diawali baris seperti [Halaman 3]. Halaman tanpa teks muncul sebagai [Halaman 5 · tanpa teks], sehingga Anda bisa melihat bagian yang kosong langsung di hasil. Penanda ini berguna saat Anda perlu mencantumkan nomor halaman sumber.
Jika penanda dimatikan, antarhalaman hanya dipisahkan satu baris kosong dan halaman tanpa teks tidak ditampilkan. Paragraf yang berlanjut ke halaman berikutnya tetap terpotong di batas halaman, jadi periksa bagian itu saat memindahkan teks panjang sekaligus.
Menyimpan TXT dan membukanya di aplikasi lain
Simpan TXT mengunduh teks semua halaman terpilih dengan nama asli ditambah _text, sehingga laporan.pdf menjadi laporan_text.txt. Meskipun Anda sedang melihat satu halaman, berkas tetap berisi seluruh pilihan. Untuk menyimpan satu halaman saja, isi Halaman yang diambil dengan nomor halaman itu terlebih dahulu.
Berkas disimpan dalam UTF-8 dengan penanda urutan byte (BOM). Excel dan Notepad versi lama bisa salah menebak pengodean berkas UTF-8 tanpa BOM sehingga simbol tampil rusak; dengan BOM, aplikasi tersebut mengenali berkas sebagai UTF-8. Jeda baris memakai format Windows (CR+LF) yang terbaca dengan benar di Notepad, Word, serta editor di macOS dan Linux.
Jika teks keluar rusak atau urutannya kacau
Yang terlihat di PDF dan yang bisa diambil tidak selalu sama. Untuk menampilkan halaman cukup bentuk setiap glif, tetapi untuk menyalin dibutuhkan peta yang menjelaskan karakter apa yang diwakili setiap glif. PDF tanpa peta itu menghasilkan simbol atau karakter tak dikenal, dan halaman yang banyak berisi karakter seperti itu ditandai mungkin rusak. Mengekspor ulang PDF dari aplikasi aslinya dengan font tertanam biasanya menyelesaikan masalah ini.
Huruf beraksen yang disimpan sebagai huruf dasar ditambah tanda terpisah digabungkan kembali menjadi satu karakter, dan ligatur seperti “fi” atau “fl” diubah menjadi huruf biasa, sehingga pencarian di teks hasil ekstraksi berjalan normal.
Teks mengikuti urutan yang tersimpan di PDF. Biasanya sama dengan urutan membaca, tetapi makalah dua kolom, tabel lebar, dan keterangan di dalam gambar bisa keluar berselang-seling. Setiap baris tabel menjadi satu baris dengan sel dipisahkan spasi, sehingga tidak bisa ditempel ke Excel sebagai tabel.
PDF yang tidak bisa diproses dan batas masukan
Satu PDF dapat diproses setiap kali, maksimal 50 MiB dan 200 halaman. MiB adalah satuan biner: 50 MiB sama dengan 52.428.800 byte. Kedua batas berlaku terpisah, jadi berkas kecil berisi 201 halaman tetap ditolak. Bagi dokumen panjang menjadi bagian berisi 200 halaman atau kurang, lalu ekstrak satu per satu.
PDF yang memakai kata sandi pembuka tidak diproses karena alat ini tidak meminta kata sandi. PDF yang pembuatnya membatasi penyalinan teks juga ditolak. PDF yang hanya membatasi pencetakan atau pengeditan tetapi mengizinkan penyalinan diekstrak seperti biasa.
- Berkas kosong (0 byte) atau bukan PDF: ekspor ulang dokumen sebagai PDF dari aplikasi aslinya. Mengganti ekstensi menjadi .pdf tidak akan berhasil.
- PDF rusak: periksa apakah penampil lain bisa membukanya; jika bisa, gunakan fitur simpan sebagai PDF di penampil itu untuk membuat salinan yang bersih.
- Beberapa berkas sekaligus: tambahkan satu per satu. Menambahkan berkas baru akan mengosongkan dokumen dan hasil sebelumnya.
Tanpa unggah, dan apa yang dihapus Atur ulang
Isi PDF Anda tidak dikirim atau disimpan di server untuk proses ekstraksi. Membaca berkas, merapikan teks, menggambar pratinjau, dan membuat TXT semuanya terjadi di browser yang Anda pakai, tanpa pendaftaran. Halaman web tetap memuat tata letak, skrip, dan iklan melalui jaringan, jadi ini tidak berarti halaman sama sekali tidak melakukan koneksi.
Atur ulang, atau menambahkan berkas lain, mengosongkan dokumen dan hasil di dalam alat. Tindakan ini tidak menghapus PDF asli maupun TXT yang sudah diunduh. Teks yang disalin tetap ada di papan klip, jadi di komputer bersama salinlah teks lain setelahnya untuk menimpanya.
Lima hal yang dicek sebelum menyalin atau menyimpan
Teks hasil ekstraksi adalah informasi yang tersimpan di PDF, bukan salinan tampilan halamannya. Untuk dokumen penting, periksa hal-hal berikut sebelum digunakan.
- Bandingkan jumlah halaman dan karakter di bawah hasil dengan perkiraan Anda; angka yang sangat kecil biasanya berarti ada halaman tanpa teks.
- Perhatikan pemberitahuan halaman tanpa teks atau teks yang mungkin rusak.
- Untuk halaman berkolom atau bertabel, pilih halaman itu di Tampilan dan bandingkan urutannya dengan aslinya.
- Jika penghapusan kepala halaman aktif, periksa jumlah baris yang dihapus dan pastikan tidak ada yang penting hilang.
- Cocokkan kembali angka, tanggal, nominal, dan nama dengan dokumen asli, lalu buka TXT yang disimpan di aplikasi tempat Anda akan memakainya.
Pertanyaan yang sering diajukan
Saya membuka PDF hasil pindaian dan tidak ada teks yang keluar. Kenapa?
PDF hasil pindaian menyimpan setiap halaman sebagai gambar, jadi tidak ada teks yang bisa diambil. Alat ini tidak menjalankan OCR dan menandai halaman tersebut sebagai tanpa teks. Proses berkas dengan program OCR untuk membuat PDF berteks, lalu buka versi itu di sini.
Menyalin dari penampil PDF membuat setiap baris terputus. Bisakah disatukan?
Bisa. Pilih Satukan jadi paragraf, maka baris-baris dalam satu paragraf digabung dengan satu spasi dan satu baris kosong disisakan di antara paragraf. Dokumen dengan jarak baris yang tidak teratur bisa memotong paragraf di tempat yang salah, jadi baca hasilnya dan perbaiki bagian tersebut.
TXT yang disimpan menampilkan karakter aneh di Excel. Apa yang harus dilakukan?
Berkas disimpan dalam UTF-8 dengan BOM agar sebagian besar aplikasi mengenali pengodeannya. Jika karakter masih tampil salah, gunakan fitur impor dan pilih UTF-8 (65001) sebagai asal berkas. Jika berkas pernah disimpan ulang oleh aplikasi lain, pengodeannya mungkin berubah saat itu.
Apakah tabel keluar per sel?
Tidak. Setiap baris tabel keluar sebagai satu baris dengan sel dipisahkan spasi. Garis sel dan sel gabungan tidak diambil, sehingga tabel tidak tersusun ulang saat ditempel ke Excel. Opsi Baris PDF apa adanya memudahkan membandingkan baris dengan aslinya.
Apakah urutan makalah dua kolom tetap benar?
Biasanya benar, karena kebanyakan PDF menyimpan kolom kiri sebelum kolom kanan. Beberapa aplikasi menyimpan baris secara bergantian sehingga urutannya tercampur. Pilih halaman itu di Tampilan dan bandingkan dengan pratinjau aslinya.
Kenapa teks dari PDF yang dilindungi salinan tidak bisa diambil?
Pembuat PDF menetapkan izin yang tidak membolehkan penyalinan teks, dan alat ini tidak melewati izin tersebut. PDF yang hanya membatasi pencetakan atau pengeditan tetapi mengizinkan penyalinan tetap bisa diekstrak. Jika Anda membutuhkan teksnya, minta versi tanpa batasan salinan kepada pembuatnya.
Bagaimana cara mengekstrak PDF lebih dari 200 halaman?
Maksimal 200 halaman diproses sekaligus. Bagi PDF menjadi beberapa bagian berisi 200 halaman atau kurang, ekstrak setiap bagian, lalu tempel hasilnya berurutan. Penanda halaman akan menampilkan nomor di dalam setiap bagian, bukan penomoran dokumen asli.
Saya sudah menyalakan penghapusan kepala halaman, tetapi kepala halaman masih ada.
Sebuah baris hanya dianggap berulang jika minimal tiga halaman bisa dibandingkan dan kepala halamannya hanya berbeda pada angka. Kepala halaman yang tidak tersimpan sebagai baris pertama atau terakhir setiap halaman juga tidak dihapus. Dalam kasus itu, hapus secara manual dari hasil.
Bisakah saya mengedit teks langsung di kotak hasil?
Kotak hasil hanya dapat dibaca agar isi yang terlihat selalu sama dengan yang disalin atau disimpan. Salin teksnya atau simpan TXT, lalu edit di Notepad, Word, atau editor lain.
Kata ulang seperti “buku-buku” terpotong di akhir baris. Apakah tetap utuh?
Ya. Jika baris berakhir dengan tanda hubung dan baris berikutnya diawali huruf atau angka, keduanya disatukan tanpa spasi, sehingga “buku-” dan “buku” menjadi “buku-buku”. Tanda hubung tidak pernah dihapus otomatis agar kata ulang dan istilah seperti “COVID-19” tidak rusak.