Μετατροπέας PDF σε Markdown
Εξαγάγετε το κείμενο ενός PDF ως δομημένο Markdown: πραγματική ανίχνευση επικεφαλίδων από το μέγεθος γραμματοσειράς, ανίχνευση λιστών από κουκκίδες και εσοχές — όχι ένας επίπεδος τοίχος κειμένου.
🔒 Επεξεργάζεται εξ ολοκλήρου στο πρόγραμμα περιήγησής σας — τίποτα που εισάγετε εδώ δεν μεταφορτώνεται ποτέ.
Αποτέλεσμα
Μια απλή εξαγωγή "PDF σε κείμενο" σάς δίνει κάθε λέξη χωρίς καμία δομή: ένας τίτλος σελίδας διαβάζεται ακριβώς όπως μια υποσημείωση και μια λίστα με κουκκίδες μετατρέπεται σε ασύνδετες προτάσεις. Αυτό το εργαλείο προχωρά ένα βήμα παραπέρα, διαβάζοντας το πραγματικό μέγεθος γραμματοσειράς και τη θέση κάθε στοιχείου κειμένου από το PDF — μέσω της ίδιας μηχανής pdf.js που χρησιμοποιούν και τα άλλα εργαλεία PDF αυτού του ιστότοπου — και αξιοποιώντας αυτά τα οπτικά δεδομένα για να ανακατασκευάσει τη δομή: επικεφαλίδες, στοιχεία λίστας και παραγράφους, γραμμένες σε μορφή Markdown.
Η ανίχνευση βασίζεται πραγματικά σε μετρήσεις και όχι σε εικασίες που παρουσιάζονται ως ακρίβεια. Τα στοιχεία κειμένου σε μια σελίδα ομαδοποιούνται σε γραμμές με βάση την εγγύτητα των κάθετων θέσεών τους, το μέγεθος γραμματοσειράς κάθε γραμμής υπολογίζεται από τον δικό της πίνακα απεικόνισης κειμένου και το μέγεθος αυτό συγκρίνεται με το διάμεσο μέγεθος γραμμής για ολόκληρο το έγγραφο — το μέγεθος που χρησιμοποιούν οι περισσότερες γραμμές, δηλαδή το σύνηθες κείμενο σώματος. Μια γραμμή αισθητά μεγαλύτερη από αυτό το διάμεσο γίνεται επικεφαλίδα Markdown (οι μεγαλύτερες γραμμές γίνονται #, οι μετρίως μεγαλύτερες γίνονται ##)· μια γραμμή που ξεκινά με χαρακτήρα κουκκίδας ή έχει εσοχή μεγαλύτερη από τις γύρω γραμμές γίνεται στοιχείο λίστας `- `· ό,τι απομένει αντιμετωπίζεται ως κείμενο σώματος και συγχωνεύεται σε παραγράφους.
Αυτή είναι, ειλικρινά, μια ευρετική μέθοδος και όχι ένας δομικός αναλυτής: τα αρχεία PDF δεν φέρουν εγγυημένη σημασιολογική σήμανση, παρά μόνο οπτικές οδηγίες για το πού τοποθετείται η μελάνη, επομένως ασυνήθιστες επιλογές γραμματοσειρών από έναν σχεδιαστή μπορούν περιστασιακά να ξεγελάσουν τη σύγκριση μεγέθους, και οι πίνακες είναι ρητά εκτός πεδίου εφαρμογής — οι διατάξεις κελιών δεν ανάγονται αξιόπιστα σε επικεφαλίδες, λίστες ή παραγράφους, και αυτό το εργαλείο δεν παριστάνει το αντίθετο. Κάθε σελίδα επισημαίνεται σαφώς με έναν διαχωριστή "Σελίδα N" στην έξοδο, ακολουθώντας τη σύμβαση που χρησιμοποιεί το εργαλείο PDF σε κείμενο αυτού του ιστότοπου.
Οι σαρωμένες σελίδες αντιμετωπίζονται με την ίδια ειλικρίνεια όπως και αλλού στον ιστότοπο: μια σελίδα που στην πραγματικότητα είναι απλώς μια φωτογραφία χαρτιού δεν έχει καθόλου επίπεδο κειμένου, επομένως αντί να παράγει σιωπηλά ένα κενό τμήμα, το εργαλείο σημειώνει ακριβώς ποιες σελίδες δεν μπόρεσε να διαβάσει και παραπέμπει στο εργαλείο Εικόνα σε Κείμενο (OCR) για αυτές. Όλα εκτελούνται τοπικά στον browser σας — τίποτα δεν ανεβαίνει, δεν υπάρχουν όρια σελίδων και το αποτέλεσμα εμφανίζεται σε ένα πλαίσιο κειμένου από το οποίο μπορείτε να το αντιγράψετε ή να το αποθηκεύσετε ως αρχείο .md που ανοίγει σε οποιονδήποτε επεξεργαστή συμβατό με Markdown.