Jak snadno extrahovat text z PDF dokumentu

Extrahování textu z PDF může být zdlouhavé, zejména když jsou v dokumentu grafické prvky nebo složité rozložení. Kopírování a vkládání často nefunguje dobře a neumožňuje export do jiného formátu. Naštěstí existuje několik způsobů, jak text z PDF získat.

Extrahování textu pomocí Adobe Acrobat Reader

Krok 1

Otevřete soubor v programu Acrobat Reader. Ve Windows zvolte Soubor → Exportovat do textu, pojmenujte soubor a uložte jej.

Krok 2

Na macOS nebo Linuxu otevřete nabídku Zobrazit a vyberte režim Continuous nebo Continuous‑Facing. Poté použijte Úpravy → Vybrat vše → Kopírovat. Pro výběr jen části textu použijte nástroj Výběr textu (nebo Výběr sloupců u vícesloupcových dokumentů) a zkopírujte vybraný úsek.

Převod PDF do HTML

Krok 1

Jako rychlý trik můžete využít Gmail. Přiložte PDF k e‑mailu a pošlete jej na svůj účet. V Gmailu klikněte na přílohu a zvolte Zobrazit jako HTML. Soubor se otevře v novém okně – i když neobsahuje obrázky, zachová formátování textu.

Krok 2

Na Linuxu lze použít příkazový řádek: pdftotext název.pdf převede PDF na čistý textový soubor. Existuje také řada open‑source a freeware nástrojů (např. PDFBox, Easy PDF to Text Converter), které umí převádět PDF na TXT i HTML.

Tipy

• Ujistěte se, že PDF obsahuje skutečný text. Pokud byl dokument naskenován, text je součástí obrázku a běžné metody ho nevyextrahují.
• Při použití Acrobat Reader může být nutné po exportu text upravit, protože formátování se ztrácí. Pro samotný obsah však obvykle stačí.

Co budete potřebovat

• PDF soubor
• Adobe Acrobat Reader
• Účet Gmail (volitelně)
• Software pro převod PDF na text (volitelně)

Výběr metody závisí na tom, zda PDF obsahuje text nebo jen obrázky a jaký výstup potřebujete – čistý text, HTML nebo strukturovaný dokument.