Ekstrak Teks dari PDF Online

Ekstrak lapisan teks dari PDF, atau kenali teks pada halaman hasil pindaian dengan OCR, lalu simpan sebagai teks biasa.

Bahasa OCR:

Untuk PDF hasil pindaian, pilih bahasa dokumen sebelum mengunggah. Jika diubah nanti, file saat ini akan dibaca ulang.

Pilih file PDF atau seret & lepas di sini

Mengekstrak teks dan mendukung OCR untuk PDF hasil pemindaian

🔤

Dekode Font dengan CMap

Menggunakan peta karakter (CMap) PDF.js untuk mendekode banyak font Asia Timur dan font berenkode khusus. PDF dengan data font yang tidak lengkap masih bisa menghasilkan karakter yang salah.

👁️

OCR untuk Halaman Pindaian

Halaman yang hampir tidak memiliki teks yang dapat diekstrak dibaca dengan OCR Tesseract.js. Akurasi bergantung pada kualitas pindaian, bahasa, dan tata letak.

🔒

Pemrosesan di Browser

Dokumen diproses secara lokal di memori browser.

Cara menggunakan

Alat ini terlebih dahulu membaca lapisan teks yang tersimpan di PDF. Jika sebuah halaman hampir tidak memiliki teks, seperti dokumen hasil pindaian, halaman itu dirender sebagai gambar lalu dikenali dengan OCR di browser Anda. Mesin OCR dan data bahasanya diunduh dari leedybox.com saat OCR pertama kali dijalankan; PDF Anda sendiri tidak diunggah.

Pilih bahasa OCR sebelum menambahkan file, agar halaman hasil pindaian dibaca dengan abjad yang benar. Bahasanya sudah diatur sesuai bahasa halaman ini.
Klik area unggah atau seret file PDF ke sana. Ekstraksi langsung dimulai dan memproses halaman satu per satu.
Halaman yang memiliki lapisan teks dibaca langsung. Halaman yang hampir tidak berisi teks, seperti hasil pindaian, digambar sebagai gambar lalu dikenali dengan OCR, yang memakan waktu lebih lama; bilah progres menunjukkan halaman yang sedang dibaca.
Periksa hasilnya di kotak teks. Setiap halaman diawali baris seperti --- Halaman 1 ---.
Klik "Salin Teks" atau "Simpan sebagai .TXT" untuk menyimpan hasilnya, atau "Ganti File" untuk membaca PDF lain.

Pertanyaan umum

Mengapa teks hasil ekstraksi terkadang terlihat kacau?

Beberapa PDF menyimpan karakter dengan enkode font khusus. LeedyBox memuat tabel CMap untuk mendekode banyak di antaranya, tetapi font tanpa pemetaan Unicode yang benar masih bisa menghasilkan karakter yang salah. Periksa hasilnya dengan dokumen asli.

Apakah bisa digunakan untuk dokumen hasil pindaian?

Ya. Jika sebuah halaman hampir tidak memiliki lapisan teks, mesin OCR Tesseract.js bawaan akan mengenali karakter pada gambar halaman. Tulisan tangan, pindaian beresolusi rendah, font yang tidak lazim, dan bahasa yang tidak tercakup dalam pengaturan bahasa OCR menurunkan akurasi.

Apakah tata letak tabel dan kolom tetap terjaga?

Tidak sepenuhnya. Hasilnya berupa teks biasa, sehingga tabel, kolom, dan kotak teks diratakan menjadi baris, dan urutan bacanya bisa berbeda dari yang terlihat di halaman.

Apakah PDF saya diunggah?

Tidak. Teks dibaca di browser Anda. Saat sebuah halaman memerlukan OCR, mesin OCR dan data bahasanya diunduh dari leedybox.com, tetapi PDF Anda tidak dikirim ke mana pun.

Bahasa OCR apa yang dipilih untuk dokumen dalam dua bahasa?

Pilih opsi dengan bahasa utama dokumen; semua opsi kecuali "Hanya Inggris" juga mengenali bahasa Inggris. Teks dalam bahasa yang tidak dipilih sering terbaca sebagai karakter yang salah.

Mengapa OCR lambat?

Setelah mesin OCR dan data bahasa diunduh, setiap halaman hasil pindaian dikenali satu per satu di browser Anda. Di perangkat yang lambat, satu halaman bisa memakan beberapa detik atau lebih, sehingga dokumen pindaian yang panjang membutuhkan kesabaran.