FilesShifters

Estrai il testo da un PDF in .txt o Markdown

Funziona nel tuo browser: i tuoi file restano sul dispositivo e non vengono caricati.

Trascina il tuo PDF o premi per sceglierlo

Nessun file selezionato.

Per estrarre il testo da un PDF: per citare un passo, cercare in un archivio, dare un documento a un programma che legge solo testo. Prima vedi le prime righe, poi scarichi.

Come si estrae il testo da un PDF

  1. Aggiungi il PDF. Uno alla volta.
  2. Guarda le prime righe. Il pannello legge il documento e ti mostra l’inizio del file che otterrai, già nell’ordine in cui verrà scritto.
  3. Scegli il formato. Testo semplice, che si apre ovunque, o Markdown, con i titoli e gli elenchi marcati; se vuoi, una riga che segna dove comincia ogni pagina.
  4. Premi «Estrai il testo» e scarica. Il file ha lo stesso nome del PDF, con l’estensione nuova.

Colonne, titoli ed elenchi

Su una pagina a due o tre colonne si legge tutta la prima colonna, poi la seconda: il testo non esce intercalato riga per riga. Le righe scritte più grandi diventano titoli, quelle che cominciano con un pallino o un numero diventano voci di elenco.

Un PDF non contiene frasi e paragrafi: contiene pezzi di testo posati in un punto della pagina. Per restituire un testo leggibile bisogna rimettere i pezzi in riga, capire dove finisce un paragrafo e in che ordine si leggono le colonne. Qui lo fa lo stesso codice di Da PDF a Word, con la stessa prudenza: le colonne si separano solo quando il segnale è chiaro, perché spezzare una tabella sarebbe peggio che lasciarla com’è.

In Markdown un titolo comincia con #, una voce di elenco con - o col suo numero, e i segni che in Markdown hanno un significato (asterischi, trattini bassi, parentesi quadre) vengono protetti, così il testo resta quello del documento.

Le scansioni

Una pagina scansionata è una fotografia: non contiene testo da estrarre. Il pannello te lo dice appena aggiungi il file e il pulsante resta spento, invece di consegnarti un file vuoto.

Per leggere una scansione serve il riconoscimento del testo (OCR), che questo strumento non fa: lo fa Riconosci il testo (OCR), sempre nel browser. Se solo alcune pagine sono immagini, il testo delle altre si estrae lo stesso, e il pannello e la nota del risultato dicono quali pagine resteranno vuote.

Cosa questo strumento non fa

  • Non ricostruisce le tabelle. Una tabella diventa righe di testo, con le celle una accanto all’altra; una tabella fatta di frasi lunghe può essere letta come due colonne.
  • Non legge le formule. Simboli, frazioni e indici escono come caratteri sparsi o mancano: una formula non ha una forma in testo semplice.
  • Non indovina sempre l’ordine. Su impaginazioni complesse, come riquadri, didascalie, testo intorno alle immagini o pagine di giornale, l’ordine di lettura può non essere quello giusto.
  • Non toglie intestazioni e numeri di pagina. Restano nel testo, dove compaiono; un titolo scritto proprio in cima alla pagina viene preso per intestazione e resta testo normale.
  • Non legge le scansioni. Una pagina fotografata resta senza testo: per quella c’è Riconosci il testo (OCR).
  • Non apre un PDF protetto da password. Prima va sbloccato con Sblocca PDF, conoscendo la password.

Come verificarlo da solo

Apri il file scaricato con un editor di testo e mettilo accanto al PDF: le prime righe sono quelle dell’anteprima, e su una pagina a colonne la seconda colonna comincia dopo la fine della prima.

Per una prova sull’ordine, cerca nel file l’ultima parola della prima colonna di una pagina: subito dopo devi trovare l’inizio della seconda colonna, non la riga accanto.

Domande frequenti

Il PDF viene caricato da qualche parte?

No. Il documento viene letto dal tuo browser, sul tuo dispositivo, e il file di testo nasce lì: il sito è fatto di soli file statici e non esiste un server che riceva i file.

Meglio .txt o Markdown?

Il testo semplice si apre ovunque ed è quello che chiedono molti programmi. Markdown tiene in più titoli ed elenchi, ed è comodo se il testo finisce in una pagina web, in un wiki o in un appunto.

Perché dice che il mio PDF è una scansione?

Perché le sue pagine non contengono caratteri, solo immagini. Succede con i documenti passati allo scanner o fotografati: per leggerli usa Riconosci il testo (OCR), che legge le parole nelle immagini.

Le lettere accentate restano giuste?

Sì, il file è in UTF-8. Se un PDF scrive le lettere con un carattere senza la tabella che dice quale lettera è quale, il testo esce sbagliato anche dal lettore PDF: qui non si può correggere.

Che differenza c’è con Da PDF a Word?

Il modo di leggere il PDF è lo stesso; cambia il risultato. Qui ottieni testo nudo, senza stili, da incollare o dare a un programma; Da PDF a Word ti dà un documento da modificare.

Come faccio a verificare che sia vero?

Apri gli strumenti per sviluppatori, scheda Rete, ed estrai il testo da un PDF: vedrai i file di questa pagina, le richieste del conteggio visite descritto qui in fondo, e nessuna richiesta che porti con sé il tuo documento.