5 manieren om tekst uit een PDF te halen
1. Kopiëren en plakken
Open de PDF in een willekeurige reader, druk op Ctrl+A (Cmd+A op de Mac) en kopieer. Dit werkt voor PDF's met echte tekst en volstaat voor een pagina of twee.
2. Online naar TXT converteren
Upload de PDF in de converter hierboven. De tekst wordt met Ghostscript (en pdftotext als terugvaloptie) geëxtraheerd naar een UTF-8 .txt-bestand. Gescande PDF's worden automatisch met OCR gelezen.
3. Google Docs (voor scans)
Upload de PDF naar Google Drive, klik er met de rechtermuisknop op en kies Openen met → Google Documenten. Drive voert OCR uit en opent de tekst zodat u die kunt bewerken of kopiëren.
4. Adobe Acrobat
Acrobat Pro kan een PDF als platte tekst exporteren met de tool PDF exporteren, en herkent tekst in scans met de OCR-tool (Scannen en OCR).
5. Opdrachtregel en Python
pdftotext -layout input.pdf output.txt behoudt de kolomindeling. In Python: from pypdf import PdfReader; text = "\n".join(p.extract_text() for p in PdfReader("input.pdf").pages).
Tekstextractiemethoden
Er zijn twee fundamenteel verschillende benaderingen om tekst uit een PDF op te halen, afhankelijk van het type PDF dat u hebt:
Directe extractie (native PDF's)
Native PDF's — gemaakt in Word, webbrowsers of ander software — bevatten ingebedde tekstgegevens. Het extractiehulpmiddel leest de tekst rechtstreeks uit de interne structuur van de PDF. Dit is snel, nauwkeurig en behoudt de originele tekst precies zoals geschreven.
OCR-extractie (gescande PDF's)
Gescande PDF's bevatten afbeeldingen van pagina's, geen werkelijke tekst. Het extraheren van tekst vereist OCR (optische tekenherkenning) om de afbeeldingen te analyseren en tekens te identificeren. OCR is langzamer en de nauwkeurigheid hangt af van scankwaliteit, resolutie en de leesbaarheid van het lettertype. Hebt u meer nodig dan platte tekst, lees dan hoe u een gescande PDF met OCR omzet naar een bewerkbaar Word-bestand.
Snelle test: Open uw PDF en probeer tekst met uw muis te selecteren. Als afzonderlijke woorden worden gemarkeerd, is het een native PDF (directe extractie). Selecteer de hele pagina als één afbeelding, het is een gescande PDF (OCR nodig).
Wat wordt behouden (en wat gaat verloren)
Platte tekst (.txt) is het eenvoudigste documentformat — alleen tekens en regeleinden. Bij het converteren van PDF naar tekst wint u universele compatibiliteit maar verliest u visuele opmaak:
| Behouden | Verloren |
|---|---|
| Tekstinhoud (woorden, getallen) | Lettertypen en lettergrootte |
| Alinea-einden | Vet, cursief, onderstreept |
| Basislijncstructuur | Kleuren en markeringen |
| Paginavolgorde | Afbeeldingen, diagrammen en grafieken |
| Speciale tekens (UTF-8) | Tabellen (structuur verloren, inhoud behouden) |
| Nummering (als tekst) | Koppelingen en voetteksten (gemengd inline) |
Omgang met meerkoloms-indelingen
Meerkoloms-documenten (academische papers, kranten, nieuwsbrieven) vormen een uitdaging voor tekstextractie. De extractor moet de leesvolgorde bepalen — moet het in beide kolommen lezen of één kolom omlaag en dan de volgende?
De meeste extractors lezen de inhoud in de juiste kolomvolgorde (eerst de linkerkolom, dan de rechterkolom). Elementen die over beide kolommen lopen (titels, kopteksten, voetnoten) kunnen echter op onverwachte plaatsen in de tekstuitvoer verschijnen.
Tips voor kolomanbehandeling:
- Controleer de output op verwarde leesvolgorde, vooral bij kolombegrenzingen.
- Koppelingen die meerdere kolommen omvatten, worden meestal correct bovenaan de tekst geëxtraheerd.
- Voetnoten kunnen in het midden van tekst verschijnen in plaats van aan het einde, omdat ze aan de onderkant van een kolom staan.
Tabellen in platte tekst
Tabellen verliezen hun visuele structuur bij omzetting naar platte tekst. De inhoud van cellen blijft behouden, maar de rasterindeling verdwijnt. Typische benaderingen omvatten:
- Spatie-uitgelijnde kolommen: Celinhoud wordt aangevuld met spaties om visuele kolom uitlijning te behouden. Werkt voor eenvoudige tabellen met korte celinhoud.
- Tabblad gescheiden: Cellen worden gescheiden door tabulatiekarakters, die kunnen worden geïmporteerd in spreadsheets software.
- Opeenvolgende tekst: Celinhoud wordt opeenvolgend uitgevoerd, rij voor rij, met minimale structuurmarkeringen.
Voor gestructureerde tabelgegevens kunt u beter naar CSV- of XLSX-indeling converteren in plaats van naar platte tekst, omdat deze formaten de tabelstructuur behouden.
Tekencodering
Tekencodering bepaalt hoe teksttekens als bytes in het uitvoerbestand worden opgeslagen. De belangrijkste coderingsopties:
- UTF-8: De universele standaard. Ondersteunt praktisch elke taal en elk symbool, inclusief Chinees, Arabisch, Cyrillisch, emoji en wiskundige symbolen. Dit is de aanbevolen codering voor praktisch alle use cases.
- ASCII: Beperkt tot 128 tekens (basisengelse letters, getallen, interpunctie). Non-ASCII-tekens gaan verloren of worden vervangen door vraagtekens. Gebruik alleen voor legacy-systemen die UTF-8 niet kunnen verwerken.
- Latin-1 (ISO 8859-1): Ondersteunt Westeuropese talen. Beperkt vergeleken met UTF-8 maar compatibel met sommige oudere systemen.
Aanbeveling: Gebruik altijd UTF-8-codering tenzij u een specifieke reden hebt om dit niet te doen. Het handelt elke taal af en is de standaard voor moderne tekstverwerking tools, programmeertalen en databases.
Veelvoorkomende use cases voor tekstextractie
Zoekopdracht indexering: Extraheer tekst uit PDF-archieven om ze doorzoekbaar te maken. Full-text search engines (Elasticsearch, Solr, Lucene) kunnen geëxtraheerde tekst indexeren voor snelle documentspin.
Data mining: Extraheer gestructureerde gegevens uit rapporten, facturen en formulieren voor analyse. Combineer met regex-patronen of NLP om specifieke gegevensvelden (data, bedragen, namen) te identificeren.
NLP-verwerking: Voer geëxtraheerde tekst in NLP-pijplijnen voor sentimentanalyse, onderwerpmodellering, entity-extractie of tekstclassificatie.
Toegankelijkheid: Converteer visuele PDF's naar platte tekst voor schermlezers en ondersteunende technologieën, waardoor documenten toegankelijk zijn voor blinde gebruikers.
Content-migratie: Extraheer tekst uit legacy PDF-archieven bij het migreren van inhoud naar nieuwe systemen, CMS-platforms of databases.
Plagiaat detectie: Extraheer tekst uit ingediende documenten voor vergelijking met databases en andere inzendingen.
Waarom u geen tekst uit een PDF kunt kopiëren
- Het is een scan. De pagina is een afbeelding, dus er is geen tekst om te selecteren. Voer eerst OCR uit.
- Kopiëren is beperkt. De PDF heeft een machtigingswachtwoord (eigenaarswachtwoord) dat kopiëren blokkeert. De tekst staat nog wel in het bestand en de eigenaar kan de beperking opheffen.
- De tekst komt verminkt uit. Sommige PDF's gebruiken lettertypen zonder correcte tekentabel, waardoor letters als symbolen worden gekopieerd. OCR op de weergegeven pagina is de betrouwbare oplossing.
- De tekst staat in een afbeelding of formulierveld. Logo's, grafieken en gestempelde tekst zijn afbeeldingen; formuliervelden moeten eerst worden afgevlakt.