PDF به متن.

PDFهای دیجیتال و اسکن‌های قبلاً شناسایی‌شده می‌توانند حاوی متن واقعی در پشت نمای صفحه باشند. این ابزار به جای خواندن مجدد پیکسل‌های صفحه، آن متن ذخیره‌شده را استخراج می‌کند.

یک PDF ممکن است واضح به نظر برسد و همچنان فقط حاوی تصویر باشد. اگر متن قابل استفاده‌ای یافت نشد، به جای آن از PDF OCR برای شناسایی استفاده کنید.

انتخاب صفحه را برای کل سند رها کنید، یا صفحاتی را که متعلق به خروجی هستند وارد کنید. قبل از تکیه بر برچسب صفحه چاپ‌شده، شماره‌گذاری صفحه منبع را بررسی کنید.

انتخاب یک زیرمجموعه بر خروجی تأثیر می‌گذارد، اما منبع اصلی همچنان باید محدودیت‌های ورودی را رعایت کند.

یک فایل متنی برای جستجو یا ویرایش یک سند پیوسته مناسب است. جداکننده‌های صفحه، صفحات منبع را در متن ترکیبی متمایز می‌کنند.

گزینه فایل‌های جداگانه شامل یک فایل متنی برای هر صفحه انتخاب‌شده و یک فایل متنی ترکیبی در داخل فایل ZIP است که هنگام اهمیت ارجاعات صفحه مفید است.

یک PDF موقعیت‌های ترسیم را ذخیره می‌کند، نه لزوماً ترتیب پاراگراف کامل را. جداول، ستون‌ها و نگاشت‌های فونت غیرمعمول می‌توانند متنی ایجاد کنند که نیاز به مرتب‌سازی مجدد یا اصلاح دارد.

استخراج، یک لایه OCR موجود را تأیید نمی‌کند. نام‌ها، اعداد و تاریخ‌های مهم را حتی زمانی که نیازی به تشخیص جدید نبود، با منبع قابل مشاهده مقایسه کنید.