Konverter online gratis PDF ke TXT

Scripts, alat terminal, e-reader, dan sistem arsip terkadang hanya menerima teks biasa, sementara pengeditan atau pengindeksan mungkin memerlukan konten tanpa tata letak halaman PDF. Mengonversi ke TXT menghasilkan file yang lebih kecil dan dapat dicari, tetapi menghapus sebagian besar informasi visual dan struktural.

Apa itu format PDF

PDF, atau Portable Document Format, menyimpan tampilan halaman dokumen secara independen dari sistem operasi, aplikasi, dan printer. PDF dapat berisi teks yang ditempatkan pada posisi tertentu, font tersemat, grafik vektor, gambar raster, anotasi, formulir, metadata, hyperlink, dan pengaturan keamanan.

Pengolah kata, software desktop publishing, scanner, browser web, dan driver printer membuat file PDF. Faktur, manual, makalah akademik, formulir pemerintah, laporan, ebook, dan catatan hasil pemindaian umumnya menggunakan format ini. PDF dirancang untuk mereproduksi halaman secara akurat, bukan untuk menentukan urutan pembacaan yang andal bagi teks yang diekstrak.

Beberapa PDF membatasi penyalinan atau memerlukan password untuk dibuka. Adobe Acrobat bukan satu-satunya aplikasi yang dapat membuka PDF yang dilindungi, dan konversi tidak dapat secara sah melewati enkripsi atau kontrol akses. Anda memerlukan password atau izin yang diperlukan sebelum mengekstrak konten yang dibatasi.

Apa itu format TXT

TXT adalah file teks biasa yang berisi karakter dan jeda baris tanpa font, posisi halaman, gambar, tabel, warna, atau metadata khusus PDF. TXT tidak memiliki satu encoding karakter yang wajib digunakan; UTF-8 adalah pilihan paling aman untuk sistem modern karena mendukung karakter Unicode dan kompatibilitas software yang luas.

Teks biasa berfungsi baik dengan alat command-line, indeks full-text, source control, alur kerja aksesibilitas, scripts, dan arsip yang dapat dibaca dalam jangka panjang. Ukurannya biasanya lebih kecil dan menghindari masalah kompatibilitas font atau tata letak, tetapi tidak dapat mempertahankan desain halaman asli.

Mengonversi PDF berbasis teks dengan pdftotext

Utilitas pdftotext dari Poppler tersedia melalui package manager dan build desktop untuk Linux, macOS, dan Windows. Utilitas ini mengekstrak text layer yang sudah ada, bukan menafsirkan gambar halaman.

1. Instal Poppler dari package manager sistem operasi Anda atau build tepercaya.
2. Buka terminal atau Command Prompt dan pindah ke folder yang berisi PDF.
3. Jalankan pdftotext input.pdf output.txt.
4. Buka output.txt di editor yang mendukung UTF-8 dan periksa urutan pembacaan, pemisah paragraf, tabel, serta karakter khusus.

Untuk kolom atau halaman yang menghasilkan urutan pembacaan buruk dengan ekstraksi biasa, coba pdftotext -layout input.pdf output.txt. Opsi ini mempertahankan spasi horizontal secara kira-kira, tetapi dapat menambahkan terlalu banyak spasi dan tidak menjamin urutan kolom yang benar. Alternatifnya, pdftotext -raw input.pdf output.txt menggunakan strategi pengurutan yang berbeda dan dapat bekerja lebih baik untuk beberapa file.

Poppler biasanya menulis teks UTF-8. Jika versi yang Anda instal mendukung opsi encoding eksplisit, gunakan pdftotext -enc UTF-8 input.pdf output.txt. Untuk PDF terenkripsi, berikan password yang sah dengan -upw untuk user password atau -opw untuk owner password, misalnya pdftotext -upw password input.pdf output.txt. Jika memungkinkan, hindari menempatkan password secara langsung dalam riwayat shell.

Untuk PDF kecil yang teksnya dapat dipilih, menyalin teks ke editor teks UTF-8 mungkin sudah memadai, tetapi sering kali kolom hilang, jeda baris yang tidak diinginkan ditambahkan, atau konten tidak disertakan. Editor PDF desktop juga mungkin menyediakan perintah ekspor teks di bawah File → Export; menu dan format yang tersedia bergantung pada aplikasi dan edisinya.

Mengonversi PDF hasil pemindaian dengan OCR

PDF hasil pemindaian mungkin hanya berisi gambar halaman, sehingga pdftotext dapat membuat file kosong atau hampir kosong. Jalankan optical character recognition terlebih dahulu dengan aplikasi OCR seperti OCRmyPDF, yang umumnya menggunakan Tesseract:

1. Jalankan ocrmypdf --deskew --rotate-pages input.pdf searchable.pdf untuk menambahkan text layer yang dapat dicari dan memperbaiki masalah umum pada penjajaran hasil pemindaian.
2. Ekstrak layer tersebut dengan pdftotext searchable.pdf output.txt.

Atur bahasa OCR jika diperlukan, misalnya ocrmypdf -l eng+deu input.pdf searchable.pdf. Akurasi bergantung pada resolusi, jenis huruf, kontras, kemiringan, data bahasa, kompresi, dan kerusakan halaman. Periksa nama, tanggal, angka, tanda baca, dan nilai tabel secara manual karena OCR dapat salah mengenali karakter seperti 0 dan O.

Mengonversi tanpa menginstal software

Anda dapat mengonversi file secara gratis di 101convert.com tanpa menginstal software. Unggah PDF, pilih TXT sebagai format output, mulai konversi, lalu unduh hasilnya. Jangan mengunggah dokumen rahasia, teregulasi, atau yang aksesnya dibatasi kecuali ketentuan privasi, penyimpanan, dan pemrosesan layanan tersebut dapat diterima.

Batasan kualitas dan kompatibilitas

Ekstraksi mengikuti urutan internal objek teks PDF, yang dapat berbeda dari urutan yang dibaca seseorang pada halaman. Header, footer, catatan kaki, kolom, keterangan, dan sidebar dapat muncul di posisi yang tidak terduga. Periksa output alih-alih menganggapnya sebagai transkrip yang setia secara struktural.

TXT tidak memiliki model sel, baris, atau kolom, sehingga tabel biasanya kehilangan batasnya. Gambar, tanda tangan, gambar ilustrasi, file tersemat, komentar, bookmark, hyperlink, font, warna, dan pemformatan halaman tidak dapat dipertahankan. Gunakan format tabel terstruktur jika data harus tetap dapat dibaca mesin sebagai baris dan kolom.

Encoding font khusus dan PDF yang merepresentasikan huruf sebagai outline vektor dapat menghasilkan karakter yang salah atau tidak ada meskipun halaman terlihat dapat dibaca. OCR atau library ekstraksi PDF lain mungkin diperlukan. Simpan PDF asli bersama file TXT karena konversi bersifat lossy dan output teks biasa tidak dapat membuat ulang tata letak asli.