Konverter online gratis PDF ke TEXT

Script, terminal editor, database, atau sistem pengarsipan mungkin memerlukan plain text, bukan PDF. Konversi menghasilkan file .txt yang lebih kecil dan dapat dicari, tetapi halaman yang dipindai memerlukan OCR sebelum kata-katanya dapat diekstrak.

Apa itu format PDF

PDF (Portable Document Format) adalah format fixed-layout yang dikembangkan oleh Adobe untuk mempertahankan dimensi halaman, font, posisi, gambar, dan elemen dokumen lainnya di berbagai sistem operasi. Pengolah kata, aplikasi desktop-publishing, scanner, web browser, dan virtual printer dapat membuat PDF; software yang umum digunakan antara lain Adobe Acrobat, Microsoft Word, LibreOffice, dan macOS Preview.

PDF dapat berisi text layer yang dapat dipilih, hanya gambar halaman, atau keduanya. Layout-nya dapat mencakup kolom, tabel, header, footer, label yang diposisikan, embedded fonts, formulir, komentar, dan link. PDF digunakan untuk kontrak, invoice, manual, laporan, catatan yang dipindai, dan dokumen yang harus mempertahankan tampilan visualnya saat dibagikan atau dicetak.

Apa itu format TEXT

TEXT biasanya berarti file plain-text seperti document.txt. File ini menyimpan karakter dan line break tanpa font, warna, gambar, geometri halaman, tabel, hyperlink, atau styling lainnya.

Plain text berukuran kecil dan kompatibel secara luas dengan command-line tools, script, database, source-control systems, email systems, terminal editor, screen reader, dan workflow pemrosesan data jangka panjang. Plain text mudah dicari dan diedit, tetapi tidak dapat mempertahankan layout visual PDF atau merepresentasikan tabel terstruktur secara andal.

Cara mengonversi PDF ke TEXT

Menggunakan converter 101convert.com

1. Buka halaman konversi PDF-ke-TEXT di 101convert.com.
2. Upload PDF dan pilih TEXT atau TXT sebagai format output.
3. Mulai konversi dan download file .txt yang dihasilkan.

Opsi ini berjalan di web browser tanpa menginstal software. Jangan upload dokumen rahasia atau dokumen yang diatur oleh regulasi kecuali ketentuan privasi dan retensi layanan saat ini dapat diterima.

Menggunakan pdftotext dari Poppler

pdftotext dari Poppler adalah pilihan yang cepat dan dapat digunakan dalam script untuk PDF yang berisi text yang dapat dipilih. Instal Poppler melalui package manager sistem operasi, lalu jalankan:

pdftotext -enc UTF-8 input.pdf output.txt

Untuk dokumen dengan kolom atau tabel sederhana, coba:

pdftotext -layout input.pdf output.txt

-layout mempertahankan lebih banyak spasi horizontal, tetapi spasi tambahan tersebut dapat membuat parsing lanjutan menjadi kurang andal. Untuk mengekstrak hanya halaman 2 hingga 5, gunakan:

pdftotext -f 2 -l 5 input.pdf output.txt

Di Windows, jalankan command dari direktori yang berisi binary Poppler atau tambahkan direktori tersebut ke PATH. Di macOS dan Linux, instalasi melalui package manager biasanya membuat pdftotext tersedia di terminal.

Menggunakan software desktop

Di Adobe Acrobat, buka PDF dan pilih File → Export To → Text, lalu pilih lokasi tujuan dan simpan file plain-text. Nama menu dapat berbeda sesuai versi Acrobat. Beberapa PDF viewer lain menyediakan opsi plain-text di bawah File → Save As, tetapi banyak yang hanya menyimpan PDF baru.

Untuk PDF yang dipindai

Jika kata-kata tidak dapat dipilih atau disalin, PDF tersebut kemungkinan berisi gambar halaman, bukan text layer. Jalankan OCR terlebih dahulu dengan OCRmyPDF, yang biasanya menggunakan Tesseract:

ocrmypdf -l eng --deskew input.pdf searchable.pdf

Opsi -l eng memilih data pengenalan bahasa Inggris; gunakan kode bahasa yang sesuai dan telah diinstal untuk bahasa lain atau dokumen multibahasa. Kemudian ekstrak text OCR:

pdftotext -enc UTF-8 searchable.pdf output.txt

OCRmyPDF mungkin memerlukan package data bahasa Tesseract yang terpisah. OCR tidak diperlukan jika PDF asli sudah berisi text yang dapat dipilih dan akurat.

Keterbatasan kualitas dan kompatibilitas

• Ekstraksi text mengikuti posisi karakter yang tersimpan dalam PDF, bukan selalu urutan pembacaan yang dimaksudkan. Halaman multikolom, sidebar, catatan kaki, text yang diputar, header, dan label dekoratif dapat muncul tidak berurutan.
• Tabel biasanya menjadi baris text dengan spasi atau delimiter yang tidak konsisten. Jika data harus tetap terstruktur, export data ke CSV atau format tabular lainnya, bukan TXT, lalu verifikasi setiap baris dan kolom.
• Ligature, pemetaan font yang hilang, encoding yang tidak umum, dan PDF yang rusak dapat menghasilkan karakter yang salah. Periksa nama, angka, simbol, dan text non-Latin dengan sumbernya.
• OCR dapat salah membaca karakter, terutama pada hasil scan beresolusi rendah, miring, bising, tulisan tangan, atau dengan typesetting yang tidak umum. Tinjau output penting secara manual.
• Plain text tidak mempertahankan gambar, warna, layout halaman, link yang dapat diklik, komentar, field formulir, atau nomor halaman visual.
• PDF yang dilindungi password atau dibatasi untuk ekstraksi mungkin memerlukan password yang benar atau izin dari pemilik sebelum konversi; conversion tools tidak boleh digunakan untuk melewati access controls.