Text aus PDFs extrahieren
Die Textebene eines PDFs direkt auslesen und für Seiten ohne Textebene OCR verwenden.
Fügen Sie ein PDF hinzu und wählen Sie einen Seitenbereich. Jede Seite wird auf eine Textebene geprüft: Ist eine vorhanden, wird der Text ohne OCR extrahiert, andernfalls wird die Seite zur Erkennung als Bild gerendert.
Lassen Sie den Bereich leer, um alle Seiten zu verarbeiten. Sie können Bereiche und einzelne Seiten kombinieren, etwa 1-3,5. Seitenzahlen beginnen bei 1 und müssen innerhalb der Seitenzahl des Dokuments liegen.
Bearbeiten Sie die Seitenergebnisse und kopieren Sie alle Seiten oder die ausgewählte Seite oder speichern Sie sie als TXT. Reihenfolge der Textebene und Schriftinformationen können Abstände und Lesereihenfolge beeinflussen. Die Tabellenstruktur wird nicht rekonstruiert.
So geht’s
- Wählen Sie ein PDF aus und prüfen Sie die Seitenzahl.
- Geben Sie optional einen Bereich wie 1-3,5 ein und starten Sie die Extraktion.
- Prüfen Sie jede Seite und wählen Sie, welche Ergebnisse Sie kopieren möchten.
Mit diesen Einstellungen starten →
Worauf Sie achten sollten
Der ausgewählte OCR-Modus wird auf Seiten mit Textebene nicht angewendet. Eine Option, diese Ebene zu ignorieren und OCR zu erzwingen, gibt es derzeit nicht.
Häufig gestellte Fragen
Brauchen Text-PDFs ein Modell?
Seiten mit Textebene werden direkt mit pdfjs-dist extrahiert. Seiten ohne Textebene benötigen eine OCR-Engine und die ausgewählten Sprachdaten.
Kann ich den Seitenbereich leer lassen?
Ja. Ein leerer Bereich bedeutet alle Seiten. Ein ungültiger Bereich wird gemeldet, bevor die Verarbeitung beginnt.
Kann ein PDF gescannte und Textseiten mischen?
Die Textebene wird für jede Seite einzeln geprüft. Nur Seiten ohne Textebene durchlaufen die OCR.