چگونه PDF را به متن تبدیل کنیم
سه مرحله. همه چیز محلی کار میکند.
یک PDF انتخاب کنید
یک PDF رها کنید یا انتخاب کنید. محلی خوانده میشود، بدون آپلود.
جداکننده را انتخاب کنید
نحوه علامتگذاری شکستهای صفحه در خروجی. بهطور پیشفرض، علامتهای خوانا.
.txt را دانلود کنید
یک فایل متن ساده UTF-8 که در هر ویرایشگری باز میشود.
«PDF به متن» چیست؟
تبدیل یک PDF به متن یعنی تقلیل یک سند PDF به کلمات خام آن: بدون فونت، بدون تصاویر، بدون چیدمان. خروجی یک فایل .txt با UTF-8 است که در هر ویرایشگری، در هر سیستمعاملی، در هر دههای باز میشود. این فرمت ترجیحی است وقتی نیاز دارید با grep یک سند را جستوجو کنید، آن را در یک چتبات بچسبانید، به یک اسکریپت تغذیه کنید، یا صرفاً آنچه را PDF گفته در کوچکترین فایل ممکن آرشیو کنید.
متن در یک PDF عادی بهعنوان یک دنباله از کاراکترهای موقعیتیافته ذخیره میشود. این ابزار آن کاراکترها را میخواند، آنها را بر اساس مختصات Y به خطوط میگروهبندی میکند، خطوط را از بالا به پایین مرتب میکند، آیتمها را از چپ به راست در هر خط مرتب میکند، و خروجی را بهعنوان یک رشته UTF-8 صفحه به صفحه مینویسد.
PDF به متن در مرورگر شما چگونه کار میکند
وقتی یک PDF را میکشید، مرورگر شما آن را در حافظه میخواند. ما
بایتها را به
PDF.js،
موتور PDF متنباز Mozilla، تحویل میدهیم. برای هر صفحه،
getTextContent() را فراخوانی میکنیم، که هر آیتم
متن را با موقعیت آن برمیگرداند. ما آیتمها را در خطوط
گروهبندی میکنیم، آنها را به ترتیب خواندن مرتب میکنیم، و
آنها را در یک رشته واحد به هم میچسبانیم. هیچ مرحله OCR وجود
ندارد: متنی که قبلاً در PDF بهعنوان متن وجود دارد مستقیماً
استخراج میشود. اگر PDF یک تصویر اسکنشده باشد، لایه متنی خالی
است و چیزی خارج نمیشود (در این حالت، ابتدا از
/ocr-pdf استفاده کنید).
نتیجه در یک Blob نوشته شده و بهعنوان دانلود ارائه میشود. هیچ چیزی آپلود نمیشود. کل خط لوله — تجزیه، استخراج، ادغام — درون تب مرورگر شما اجرا میشود. میتوانید آن را آفلاین اجرا کنید و همچنان کار خواهد کرد.
کاربردهای رایج
- یک آرشیو قابل جستوجو از یک پوشه PDF. متن هر PDF را استخراج کنید، .txt را در کنار آن ذخیره کنید، و حالا grep هر چیزی را در عرض ثانیهها پیدا میکند.
- چسباندن یک PDF در ChatGPT/Claude/Gemini. بیشتر رابطهای وب LLM متن ساده را بسیار بهتر از PDFها میپذیرند: .txt را بچسبانید و بپرسید. اگر میخواهید LLM آن را خلاصه کند، /summarize-pdf این کار را مستقیماً انجام میدهد.
- مقایسه دو نسخه از یک سند. هر دو را استخراج کنید،
diffرا اجرا کنید و دقیقاً ببینید چه چیزی تغییر کرده است. یا از /compare-pdf برای یک مقایسه بصری استفاده کنید. - پیشپردازش NLP/اسکریپتینگ. تحلیل احساسات، استخراج موجودیت، خلاصهسازی — همه متن میگیرند، نه PDF.
- دسترسیپذیری. به متن تبدیل کنید و در یک ویرایشگر سازگار با صفحهخوان بچسبانید.
حریم خصوصی و امنیت
قراردادها، فیشهای حقوق، سوابق پزشکی، گزارشهای داخلی — نوع اسنادی که مردم بیشتر میخواهند متن را از آنها استخراج کنند دقیقاً همانهایی هستند که کمترین خواست را برای داشتن روی سرور یک غریبه دارند. بیشتر ابزارهای آنلاین PDF-به-متن فایل را آپلود میکنند، متن را روی سرور خود استخراج میکنند، و یک .txt تحویل میدهند. imisspdf همان کار را با PDF.js انجام میدهد که درون تب شما اجرا میشود. هیچ آپلود، هیچ حساب، هیچ محدودیت روزانه. بررسی حریم خصوصی iLovePDF ما را ببینید تا ببینید مدل آپلود استاندارد واقعاً چگونه بهنظر میرسد.
پرسشهای متداول
PDFهای اسکنشده تصاویر صفحات هستند، نه متن. هیچ لایه متنی برای استخراج وجود ندارد — کلماتی که میبینید فقط پیکسل هستند. ابتدا PDF را با /ocr-pdf از طریق OCR اجرا کنید؛ این یک لایه متنی روی تصویر اضافه میکند، سپس PDF-به-متن میتواند کلمات را استخراج کند. اگر PDF با عکس گرفتن از کاغذ یا اسکن ایجاد شده، OCR همیشه مرحله گمشده است.
خیر. خروجی متن ساده UTF-8 است — بدون پررنگ، کج، اندازه فونت یا رنگ. خطوط از PDF منبع حفظ میشوند، اما چیدمانهای چندستونی به ترتیب خواندن ستون به ستون مسطح میشوند. اگر باید قالببندی را حفظ کنید، بهجای آن از /pdf-to-word استفاده کنید، که عناوین و قالببندی درونخطی را حفظ میکند.
تلاش بهترین. جدولها به خطوط شبیه به جداکننده با tab بر اساس موقعیت ستون اصلی PDF تبدیل میشوند — معمولاً قابل خواندن ولی کاملاً همراستا نیستند. مقالات چندستونی ستون به ستون از بالا به پایین استخراج میشوند. برای استخراج دقیق جدول، از /pdf-to-excel استفاده کنید.
خیر. PDF.js فایل را درون تب مرورگر شما تجزیه میکند، با getTextContent() متن را استخراج میکند، و نتیجه را در یک Blob مینویسد که به کامپیوتر شما دانلود میشود. هیچ چیزی از شبکه عبور نمیکند. میتوانید با اجرای ابزار آفلاین تأیید کنید — همچنان کار میکند.
مستقیماً نه. PDFهای رمزنگاریشده را نمیتوان بدون رمز تجزیه کرد. ابتدا فایل را با ابزار /unlock-pdf ما عبور دهید (رمز را وارد کنید)، سپس PDF باز شده را به اینجا بیاورید. ما PDFهای رمزنگاریشده را بهصراحت با یک پیام خطای واضح رد میکنیم بهجای اینکه بهطور خاموش یک فایل خالی برگردانیم.
نکاتی برای بهترین نتایج
- اگر فایل از اسکنر یا دوربین آمده، ابتدا OCR را اجرا کنید. PDFهای اسکنشده لایه متنی برای استخراج ندارند — از /ocr-pdf استفاده کنید.
- برای قابلخواندن بودن توسط انسان، «علامتگذار صفحه» را انتخاب کنید. جداکننده پیشفرض پیدا کردن جایی که یک صفحه به پایان میرسد و بعدی شروع میشود را آسان میکند.
- از Form-feed برای چاپگرها/ابزارهای قدیمی ASCII استفاده کنید. اگر میخواهید .txt را به چیزی قدیمی تغذیه کنید، \f جداکننده سنتی صفحه است.
- PDFهای چندستونی نیاز به منبع تمیز دارند. اگر دو ستون با هم مخلوط میشوند، احتمالاً PDF زیربنایی متن را خارج از ترتیب کدگذاری میکند — سعی کنید آن را در Acrobat باز کنید و دوباره ذخیره کنید. یا /repair-pdf را امتحان کنید.
- ابتدا قفل PDFهای رمزنگاریشده را باز کنید. ما از بازگشت سکوت یک متن خالی امتناع میکنیم — /unlock-pdf و برگردید.
ابزارهای PDF مرتبط
- TXT به PDF — برعکس: متن ساده را دوباره به یک PDF قالببندی شده تبدیل کنید.
- PDF به Word — عناوین و قالببندی درونخطی را حفظ میکند، نه فقط کلمات.
- OCR PDF — ابتدا یک PDF اسکنشده را برای استخراج متن قابل دسترس کنید.
- Summarize PDF — اجازه دهید یک LLM PDF را بخواند و به شما نکات کلیدی بدهد.
- Chat PDF — درباره PDF خود با AI سؤال بپرسید.
- Translate PDF — متن یک PDF را به زبان دیگری ترجمه کنید.
- PDF به Excel — برای استخراج جدول دقیق بهجای متن ساده.
- Compare PDF — دو PDF را در کنار هم برای مقایسه قرار دهید.