Ekstraktor Teks PDF

Ekstraksi teks PDF: ubah baris yang terpotong menjadi naskah yang siap dipakai

Ekstraksi teks PDF berarti mengambil teks yang tersimpan di dalam PDF, lalu mengubahnya menjadi tulisan yang bisa ditempel ke Notepad, Word, atau Google Docs. Jika Anda menyalin langsung dari penampil PDF, setiap akhir baris di layar menjadi pemisah baris, dan header serta nomor halaman ikut menyelip di tengah isi. Alat ini membaca teks di semua halaman, menyambung baris yang termasuk satu paragraf, membuang header dan nomor halaman yang berulang di setiap halaman, lalu menyusun "naskah". Halaman hasil pindai yang tidak punya lapisan teks dibaca dengan OCR di dalam browser.

Sebagai contoh, tombol [Buka contoh] membaca laporan fiktif survei taman sebanyak 4 halaman. Dengan pengaturan awal, naskahnya berisi 877 karakter (tanpa spasi) dalam 11 paragraf; 11 pemisah baris di dalam paragraf disambung, dan 3 baris header serta 3 baris nomor halaman dibuang. Halaman 4 berupa gambar hasil pindai sehingga di peta halaman tampil sebagai batang bergaris miring. Setelah [Baca 1 halaman dengan OCR] ditekan, teks halaman itu ikut masuk dan totalnya menjadi 1.066 karakter, 13 paragraf, 14 sambungan baris, dan 8 baris yang dibuang. File dan hasilnya tidak dikirim ke server; semuanya diproses di browser ini.

Kapan teks PDF perlu diambil

• Mengutip atau meringkas laporan dan jurnal: pilih halaman yang diperlukan lewat rentang, lalu salin per paragraf tanpa menghapus pemisah baris satu per satu.
• Mengedit surat resmi atau kontrak yang diterima: tempel naskah ke Word atau Google Docs sebagai ganti PDF aslinya. Naskah juga bisa diedit langsung di kolomnya sebelum disalin.
• Mencari teks di dokumen hasil pindai: PDF pindai yang tidak bisa disalin tetap dapat dibaca dengan OCR, sehingga teksnya bisa dicari atau dimasukkan ke penerjemah.
• Menghitung kata atau meneruskan ke alat lain: simpan naskah sebagai TXT atau salin, lalu lanjutkan ke penghitung karakter, pemeriksa ejaan, atau penerjemah.

Cara memakai

1. Seret PDF ke area kerja atau tekan [Pilih PDF]. Jika PDF memakai kata sandi buka, kolom kata sandi muncul; kata sandi hanya dipakai di dalam browser ini.
2. Di peta halaman, batang naik sambil menampilkan jumlah karakter tiap halaman. Makin tinggi batangnya, makin banyak teksnya; batang bergaris miring berarti halaman tanpa teks.
3. Jika hanya sebagian halaman yang diperlukan, tulis di "Rentang halaman yang diambil", misalnya 2, 4-6. Jika dikosongkan, semua halaman diambil, dan halaman di luar rentang memudar di peta.
4. Jika ada halaman tanpa teks, tekan [Baca n halaman dengan OCR]. Anda bisa memilih 1 sampai 3 bahasa dokumen, dan data mesin serta bahasa hanya diunduh sekali di awal.
5. Periksa naskah, lalu tekan salah satu dari [Salin semua], [Salin halaman n], atau [Simpan TXT]. Saat naskah digulir, halaman asli di sebelah kanan ikut bergerak sehingga keduanya bisa dicocokkan berdampingan.

Mengapa baris terpotong saat disalin, dan aturan penyambungnya

PDF tidak menyimpan paragraf. Isinya adalah perintah seperti "gambar huruf ini di koordinat ini". Karena itu penampil menyalin satu baris di layar sebagai satu baris, tanpa tahu di mana paragraf berakhir. Alat ini menyusun ulang paragraf dari posisi baris dan ukuran hurufnya. Baris dianggap awal paragraf baru bila jarak antarbaris melebihi 1,45 kali jarak normal di halaman itu, bila ukuran huruf berubah lebih dari 20% (judul dan isi), atau bila baris diawali tanda daftar seperti •, ○, ※, ①, atau 1. Baris lain disambung dengan aturan berikut.

Pada gambar halaman asli, setiap baris yang diambil diberi kotak tipis, dan baris yang disambung menjadi satu paragraf diberi tanda kurung di kirinya. Jika Anda ingin pemisah baris tetap seperti di PDF, tekan [Baris asli PDF]. Mode ini lebih cocok untuk tabel atau puisi yang barisnya sendiri bermakna. Ligatur seperti fi dan fl, yang kadang dipakai program tata letak, diubah menjadi dua huruf biasa (fi, fl) agar teks bisa dicari dan dicocokkan.

PDF yang teksnya tidak muncul atau rusak

Ada tiga penyebab umum teks PDF tidak bisa disalin. Bentuk batang di peta halaman langsung menunjukkan mana yang terjadi.

Larangan salin adalah syarat penggunaan yang ditetapkan pembuat dokumen. Karena itu alat ini tetap mengikutinya meskipun PDF dibuka dengan kata sandi buka, dan tidak menghindarinya lewat OCR. Halaman ditandai "diduga rusak" bila lebih dari 20% karakternya berupa karakter pengganti (�) atau karakter area pribadi. Kerusakan yang lebih ringan, atau huruf yang berganti menjadi huruf lain, tidak terdeteksi otomatis. Bandingkan naskah dengan halaman aslinya, dan bila curiga, tekan [OCR halaman ini].

Cara kerja OCR dan ketepatannya

OCR dijalankan dengan Tesseract.js (versi browser dari Tesseract) di perangkat Anda sendiri. Halaman lebih dulu digambar pada resolusi setara 150 dpi lalu dibaca. Bila tinggi baris kurang dari 22 piksel (teks kecil seperti catatan kaki), halaman diperbesar sampai tinggi baris sekitar 30 piksel, paling tinggi setara 300 dpi, dibaca sekali lagi, dan hasil dengan keyakinan tertinggi (dibobot menurut jumlah karakter) yang dipakai. Dokumentasi Tesseract menyarankan gambar 300 dpi ke atas, tetapi memperbesar pindaian di atas resolusi aslinya tidak otomatis membuatnya lebih tajam. Pada halaman pindai laporan contoh (200 dpi) yang dibaca dengan bahasa Indonesia + Inggris, hasil setara 150 dpi membaca "peneduh (38%)" sebagai "peneduh (3820)", sedangkan pembacaan setara 200, 250, dan 300 dpi benar. Hasil OCR pada naskah contoh memang memuat "(3820)". Jadi OCR bisa salah pada satu angka, dan angka yang penting harus selalu dicocokkan dengan halaman aslinya.

• Bahasa: pilih 1 sampai 3 dari 한국어, English, 日本語, Español, dan Indonesia sesuai bahasa dokumen. Untuk dokumen Indonesia yang banyak memuat istilah Inggris, pilih Indonesia + English. Menambah bahasa yang tidak dipakai justru bisa menambah salah baca.
• Data yang diunduh sekali di awal: mesin sekitar 4,1 MB, ditambah 1,2 sampai 3,0 MB per bahasa (Indonesia 1,2 MB, Inggris 3,0 MB). Data disimpan browser, sehingga berikutnya langsung bisa dipakai.
• Penanda: halaman hasil OCR tampil sebagai batang bermotif titik di peta halaman dan ditandai "[Halaman n · OCR]" di naskah. Kotak barisnya digambar berwarna biru, jadi mudah dibedakan dari teks bawaan PDF.
• Agar lebih akurat: pindai pada 200 sampai 300 dpi, hitam-putih atau skala abu-abu, dengan kertas diletakkan lurus. Tulisan tangan, foto miring, dan latar bermotif membuat salah baca bertambah.

Kriteria pembuangan header dan nomor halaman

Jika [Buang header dan nomor halaman] aktif dan ada minimal 3 halaman yang masing-masing punya 3 baris atau lebih, alat ini membandingkan baris paling atas dan paling bawah tiap halaman (bila ada 5 baris atau lebih, 2 baris teratas dan 2 baris terbawah). Baris yang muncul di 60% halaman yang dibandingkan atau lebih (minimal 3 halaman) dibuang. Yang dibandingkan hanya hurufnya; tanda baca, simbol, dan spasi diabaikan, karena hasil OCR sering membaca titik tengah atau spasi sedikit berbeda. Baris yang berisi angka hanya dianggap sama bila angkanya persis sama di setiap halaman ("Laporan Tahunan 2024") atau bila berbentuk nomor halaman, yaitu satu angka yang naik satu per satu tiap halaman, seperti "- 1 -", "- 2 -", atau "Halaman 1 dari 10". Karena itu, subtotal di kaki setiap halaman atau baris transaksi yang diawali tanggal tidak dibuang.

Baris yang dibuang ditandai garis miring merah pada gambar halaman asli. Header yang judulnya berganti tiap bab, dan header dokumen yang hanya 2 halaman, tidak memenuhi kriteria sehingga tetap ada. Hapus baris itu langsung di kolom naskah.

Jika disimpan sebagai TXT

[Simpan TXT] menyimpan teks yang sedang tampil di kolom naskah (termasuk hasil suntingan Anda) dengan nama "namaasli_text.txt". Penyandiannya UTF-8, dengan BOM (EF BB BF) di awal file, dan pemisah baris diubah menjadi CRLF. Dengan BOM, Notepad dan Excel langsung mengenali file sebagai UTF-8 sehingga karakter non-ASCII seperti tanda pisah (–) atau huruf beraksen tidak rusak. Teks hasil dinormalkan ke Unicode NFC, sehingga huruf yang tersimpan terpisah dari tanda diakritiknya digabung kembali menjadi satu karakter.

Dokumen bertabel, berkolom, dan berformat khusus

Alat ini membaca baris menurut urutan teks disimpan di PDF. Makalah dua kolom dari Word atau LaTeX biasanya menyimpan kolom kiri sampai habis sebelum kolom kanan, sehingga urutannya benar. Sebaliknya, brosur atau majalah yang dibuat di program desain menyimpan kotak teks menurut urutan pembuatannya, sehingga urutan bacanya bisa tercampur. Tabel keluar tanpa pembatas sel, yakni satu baris tabel menjadi teks yang disambung spasi atau tiap sel menjadi baris sendiri. Bila tabel ingin dipindahkan ke Excel, lebih cepat memakai [Baris asli PDF] lalu memisahkannya sendiri.

Batasan dan hal yang perlu diperhatikan

• Satu kali baca hanya satu PDF, maksimal 100 MB dan 500 halaman. Dokumen yang lebih panjang perlu dibagi dulu dengan Pisah PDF.
• Yang diambil hanya teks. Format seperti cetak tebal dan miring, struktur tabel, gambar, dan alamat tautan tidak ikut masuk ke naskah.
• Catatan, anotasi, dan nilai yang diisi pada kolom formulir tersimpan sebagai anotasi terpisah, bukan isi halaman, sehingga tidak diambil.
• Hasil OCR bisa mengandung salah baca. Angka, nama, dan jumlah uang harus dicocokkan dengan halaman aslinya. Tulisan tangan hampir tidak terbaca.
• PDF yang dilarang salin oleh pembuatnya tidak diambil teksnya. PDF yang kata sandi bukanya tidak diketahui tidak bisa dibuka.
• Kata yang dipenggal dengan tanda hubung di akhir baris tetap bertanda hubung setelah disambung (misalnya "pengun-jung"). Hapus tanda hubung itu di kolom naskah.

Tanggal pemeriksaan Standar PDF, dokumentasi pdf.js dan Tesseract, serta hasil pengukuran contoh diperiksa pada 2026-10-21.

Sumber

• 01ISO 32000-1:2008 Document management — Portable document format (salinan terbuka Adobe)9.10 ekstraksi teks dan 9.10.2 pengubahan kode karakter ke Unicode (ToUnicode), Tabel 22 bit izin 5 (salin/ekstrak konten) dan bit 10 (ekstraksi untuk aksesibilitas)
• 02pdf.js API — PDFPageProxygetTextContent, yang membaca item teks dan posisinya pada halaman. Alat ini memakai pdf.js 3.11.174 (lisensi Apache-2.0) untuk membaca teks dan menggambar halaman
• 03Dokumentasi Tesseract — Improving the quality of the outputGambar 300 dpi ke atas disarankan; faktor mutu OCR seperti ukuran, margin, dan kemiringan
• 04Tesseract.jsPustaka yang menjalankan Tesseract OCR di dalam browser. Alat ini memakai versi 7.0.0 dan data bahasa kor, eng, jpn, spa, ind (lisensi Apache-2.0)
• 05Unicode Standard Annex #15 — Unicode Normalization FormsNormalisasi NFC yang menggabungkan huruf beserta tanda diakritik yang tersimpan terpisah

Pertanyaan yang sering diajukan

Alat yang sering dipakai bersama