Wyodrębnij tekst

Narzędzie wyodrębniania od pdfty wyciąga z PDF-a każdy znak tekstu i dostarcza go jako czysty plik tekstowy. Bije na głowę zaznacz wszystko i kopiuj-wklej, które regularnie miesza układy wielokolumnowe, gubi pola tekstowe i dławi się długimi dokumentami — wyodrębnianie przetwarza wszystkie 50 stron za jednym razem, z zachowaną kolejnością czytania.

Wyodrębnianie działa na PyMuPDF, który czyta wewnętrzną strukturę tekstową PDF-a bezpośrednio i odtwarza naturalną kolejność czytania — w tym układy dwukolumnowe, tabele, nagłówki i przypisy. Pełny Unicode przechodzi nietknięty: cyrylica, znaki CJK, arabski, litery ze znakami diakrytycznymi. Wynik świetnie nadaje się do wprowadzania dokumentów do narzędzi tłumaczeniowych, indeksów wyszukiwania czy asystentów AI, do cytowania z artykułów i do liczenia słów.

Jedna ważna uwaga: to działa na PDF-ach zawierających warstwę tekstową. Zeskanowane dokumenty to tylko obrazy tekstu — najpierw przepuść je przez nasze narzędzie OCR (oparte na Tesseract), a potem wyodrębnij. Za darmo dla plików do 20 MB i 50 stron, bez znaku wodnego, bez rejestracji. Pliki są trwale usuwane w ciągu 1 godziny.