PDF से टेक्स्ट

एक्सट्रैक्टर हर पेज के टेक्स्ट दिखाने वाले कमांड पढ़ता है और अक्षरों को फ़ॉन्ट के ToUnicode मैप, एम्बेडेड TrueType cmap या WinAnsi एनकोडिंग से डीकोड करता है, इसलिए जब PDF मैपिंग देती है तो सिरिलिक और दूसरी गैर-लैटिन लिपियों का टेक्स्ट सही निकलता है। जहाँ PDF अगली लाइन पर जाती है वहाँ नई लाइन शुरू होती है, और पेजों के बीच एक खाली लाइन रहती है।

स्कैन की गई PDF में सिर्फ़ इमेज होती हैं और उनसे खाली टेक्स्ट मिलता है, क्योंकि कोई OCR नहीं है। मल्टी-कॉलम लेआउट और टेबल उसी क्रम में सपाट हो जाते हैं जिसमें टेक्स्ट फ़ाइल में सहेजा गया है, और शब्दों के बीच की जगह इस पर निर्भर करती है कि PDF कैसे बनाई गई। पासवर्ड-सुरक्षित PDF एक साफ़ संदेश के साथ अस्वीकार होती हैं।

एक साथ कई PDF जोड़ें: वे Web Worker में प्रोग्रेस बार के साथ एक-एक करके प्रोसेस होती हैं, रद्द करें तुरंत रोक देता है, और हर पूरी हुई पंक्ति को TXT डाउनलोड करें मिलता है, जो <name>.txt सेव करता है।

दो पेज का डॉक्यूमेंट: जिस PDF के पेजों पर “Second doc page A” और “Second doc page B” लिखा है, उससे Second doc page A, एक खाली लाइन, Second doc page B मिलता है।

बड़ी फ़ाइल: 2,500 पेज की 5.44 MB PDF से 36 KB की big.txt बनती है और इस दौरान पेज अटकता नहीं।

स्कैन किया गया कॉन्ट्रैक्ट: पेज इमेज से बनी PDF खाली .txt देती है — पहले कहीं और OCR चलाएँ।

पासवर्ड-सुरक्षित फ़ाइल: “locked.pdf: PDF पासवर्ड से सुरक्षित है और संसाधित नहीं किया जा सकता।” दिखता है, जबकि बैच की बाकी फ़ाइलों से टेक्स्ट निकलता रहता है।