PDF का एक पृष्ठ दरअसल आरेखण निर्देशों की सूची है, और उस पर दिखने वाले शब्द आमतौर पर चित्र नहीं बल्कि असली टेक्स्ट ऑब्जेक्ट होते हैं। यह पेज उन्हीं ऑब्जेक्ट को सीधे पढ़ता है, इसलिए आपको खोजे, उद्धृत और संपादित किए जा सकने वाले अक्षर मिलते हैं, और फ़ाइल आपके कंप्यूटर से बाहर नहीं जाती।

इसे कैसे इस्तेमाल करें

1. 1 PDF को बॉक्स पर छोड़ें, या उस पर क्लिक करके फ़ाइल चुनें।
2. 2 यदि केवल कुछ हिस्सा चाहिए तो पृष्ठ सीमा तय करें, और तय करें कि पंक्ति विराम रखने हैं या नहीं।
3. 3 “पाठ निकालें” दबाएँ, फिर परिणाम कॉपी करें या .txt फ़ाइल के रूप में डाउनलोड करें।

निष्कर्षण और OCR एक चीज़ नहीं हैं

अगर PDF किसी वर्ड प्रोसेसर या बिलिंग सिस्टम से बना है, तो अक्षर पहले से उसमें हैं और उन्हें पढ़ना बिल्कुल सटीक होता है। अगर वह स्कैनर या फ़ोन कैमरे से आया है, तो पृष्ठ महज़ एक तस्वीर है और पढ़ने को कुछ नहीं; उन अक्षरों को पहचानना ऑप्टिकल कैरेक्टर रिकग्निशन है, जो अलग और कहीं कम भरोसेमंद काम है। यह टूल खाली डिब्बा लौटाने के बजाय बता देता है कि मामला कौन-सा है।

पंक्ति विराम कहाँ से आते हैं

PDF न पंक्तियाँ रखता है न अनुच्छेद, केवल निर्देशांकों पर रखा गया पाठ। पाठक एक ही ऊँचाई पर बैठे टुकड़ों को एक पंक्ति में जोड़ता है और ऊँचाई बदलते ही नई पंक्ति शुरू करता है। सामान्य दस्तावेज़ों पर यह अच्छा चलता है, पर कई स्तंभों वाले लेआउट पर अधूरा रहता है, जहाँ पृष्ठ के दोनों स्तंभ आपस में मिल सकते हैं।

पृष्ठ चुनना

सीमा वाला खाना अल्पविराम से अलग किए गए एकल पृष्ठ और अंतराल स्वीकार करता है। दोहराव हटा दिए जाते हैं और पृष्ठ क्रम से पढ़े जाते हैं, इसलिए बेतरतीब लिखना हानिकारक नहीं। सीमा से बाहर की संख्या चुपचाप अनदेखी नहीं, अस्वीकार की जाती है, क्योंकि चुपके से छूटा पृष्ठ वह गुम पाठ है जिसे आप कभी नहीं पकड़ पाएँगे।

1-5        → 1, 2, 3, 4, 5
2, 7, 9    → 2, 7, 9
1-3, 10    → 1, 2, 3, 10
(bos)      → सभी पृष्ठ

स्वरूपण पर एक टिप्पणी

आउटपुट सादा पाठ है, इसलिए बोल्ड, शीर्षक, तालिकाएँ और चित्र नहीं बचते; तालिका शब्दों की पंक्तियाँ बन जाती है और कोष्ठ की सीमाएँ मिट जाती हैं। यदि लेआउट बनाए रखना है तो दस्तावेज़ स्वरूप में बदलना सही उपाय है, और यदि आपको पृष्ठ केवल चित्र के रूप में चाहिए तो PDF से JPG और PDF से PNG वाले पेज यही करते हैं।