Het extraheren van tekst uit een PDF is eenvoudig als de PDF een goede tekstlaag heeft; u kunt eenvoudigweg selecteren en kopiëren. De uitdaging komt met gescande PDFs of met die waarbij tekst is omgezet in contouren, waarbij de visuele weergave van tekst aanwezig is, maar de onderliggende tekens niet. Hier ziet u hoe u met beide situaties omgaat.
Tekst extraheren uit een native digital PDF
Voor PDFs die digitaal zijn gemaakt (uit Word, Excel, PowerPoint of ontwerpsoftware) is tekstextractie net zo eenvoudig als selecteren en kopiëren. Open de PDF in een willekeurige viewer, klik en sleep om tekst te selecteren en druk op Ctrl/Cmd + C om te kopiëren. Plak het in een teksteditor, Word-document of waar u de inhoud ook nodig heeft.
Om alle tekst in één keer uit een PDF met meerdere pagina's te extraheren, drukt u op Ctrl/Cmd + A om alles te selecteren en vervolgens te kopiëren en plakken. De tekst loopt door in de volgorde waarin de PDF deze opslaat, wat meestal van boven naar beneden per kolom is. Lay-outs met meerdere kolommen worden soms in een minder intuïtieve volgorde geplakt die handmatig opnieuw moet worden gerangschikt.
Tekst uit een gescande PDF extraheren met OCR
Gescande PDFs slaan pagina's op als afbeeldingen, zodat er geen tekstlaag is om van te kopiëren. Om de tekst te extraheren, moet u eerst OCR op het document uitvoeren. Upload de gescande PDF naar de tool OCR PDF van WukongPDF, verwerk deze en download de doorzoekbare versie. De tekstlaag is nu ingesloten en kan worden geselecteerd, gekopieerd en doorzocht zoals elke digitale PDF.
Als u de geëxtraheerde tekst als afzonderlijk bestand nodig heeft in plaats van ingesloten in de PDF, converteert u de OCR-uitvoer naar Word met behulp van een tool PDF naar Word. Het Word-bestand bevat alle herkende tekst in een bewerkbaar formaat, waardoor het gemakkelijk wordt om secties te kopiëren, opnieuw op te maken of op de inhoud voort te bouwen.
Tekst extraheren naar een woord- of tekstbestand
Voor een directe extractie van PDF naar tekst zonder handmatig OCR te hoeven gebruiken, extraheert de converter PDF naar Word van WukongPDF de tekstinhoud en plaatst deze in een bewerkbaar .docx-bestand. Voor platte tekst zonder opmaak opent u het resulterende Word-document en slaat u het op als een .txt-bestand, of plakt u de inhoud in een platte-teksteditor en slaat u vanaf daar op.
Dit is handig als u schone, ongeformatteerde tekst nodig heeft voor gegevensverwerking, import in een andere toepassing of invoer in een AI-tool die werkt met invoer van platte tekst.
Tekst extraheren uit met een wachtwoord beveiligd PDFs
Als voor een PDF kopieerbeperkingen zijn ingesteld via een eigenaarswachtwoord, werkt het selecteren van tekst visueel, maar wordt de kopieeractie geblokkeerd. Om tekst te extraheren uit een beperkte PDF waartoe u legitieme toegang heeft, gebruikt u de tool PDF Unlock van WukongPDF om eerst de machtigingsbeperking te verwijderen en vervolgens de tekst normaal uit te pakken. Zodra de beperking is verwijderd, werkt kopiëren en plakken zonder beperking.
Extractiekwaliteit controleren
Nadat je de tekst hebt geëxtraheerd, controleer je een paar alinea's met de originele PDF om de nauwkeurigheid te bevestigen. Veelvoorkomende problemen zijn onder meer ligaturen (fi, fl-combinaties) die als verminkte tekens worden weergegeven, speciale symbolen die in vraagtekens worden omgezet, en afgebroken regeleinden die midden in het woord in de geëxtraheerde tekst verschijnen. De meeste hiervan zijn eenvoudig te repareren met zoeken en vervangen als u eenmaal weet waar u op moet letten.