Cara Mengekstrak Teks dari PDF

Mengeluarkan teks dari PDF

PDF menyimpan teksnya di lapisan yang tidak bisa Anda lihat. Ketika PDF dibuat dari pengolah kata, teks disimpan sebagai karakter — karakter yang sama dengan yang Anda ketik. Mengekstrak teks itu berarti membaca lapisan tersebut dan menuliskannya sebagai file .txt biasa: tanpa layout, tanpa format, hanya kata-kata, berurutan. Itu berguna kapan pun kata-kata itulah yang Anda butuhkan — untuk mencari di dokumen panjang, mengutip sebuah paragraf, atau memasukkan teks ke tool lain.

Tool ini membaca lapisan teks setiap halaman dan menggabungkannya menjadi satu file .txt, dengan penanda halaman di antara halaman-halaman supaya Anda bisa tahu di mana satu halaman berakhir dan halaman berikutnya dimulai. Hasilnya terbuka di text editor mana pun, di perangkat apa pun, dan ukurannya kecil — seluruh laporan menjadi beberapa kilobyte teks. Anda bisa mengekstrak sampai 20 file sekaligus, total 100 MB, dan mengunduh semua file teks bersama sebagai ZIP. Karena teks berasal dari lapisan yang sudah disimpan PDF, ekstraksi cepat dan tepat: yang Anda dapatkan adalah teks yang memang ada di dokumen itu.

Batasan jujurnya adalah teks adalah semua yang Anda dapatkan. Layout tidak bertahan — kolom menyatu, tabel kehilangan bentuknya, bold dan italic hilang, dan gambar tidak ikut. Kalau Anda butuh dokumen terlihat sama, simpan PDF-nya; file .txt itu untuk dibaca, dicari, dan dipakai ulang kata-katanya. Dan PDF hasil scan tidak punya lapisan teks sama sekali, jadi tidak ada yang bisa diekstrak. Tool ini mengatakannya dengan jujur, bukan memberi Anda file kosong. Untuk scan, pakai dulu tool OCR PDF — ia membaca huruf dari gambar dan memberi Anda teksnya.

Beberapa tips praktis. Kalau teks hasil ekstrak terlihat kacau — kata-kata dalam urutan yang salah, atau tabel terbaca sebagai satu baris panjang — begitulah lapisan teks itu disimpan, dan tidak ada pengekstrak yang bisa memperbaikinya; PDF itu sendiri memang dibangun begitu. Kalau Anda hanya butuh satu bab, ekstrak seluruh file lalu cari file .txt untuk judul bab itu — text editor menemukannya dalam satu detik. Dan kalau teks yang Anda butuhkan ada di halaman hasil scan di dalam PDF yang sebaliknya normal, ekstrak yang bisa diekstrak, lalu OCR hanya halaman itu.

Ada baiknya juga tahu jenis PDF apa yang memberi teks bersih. PDF yang dibuat dari pengolah kata atau program tata letak biasanya diekstrak dengan indah, karena lapisan teks ditulis dalam urutan baca. PDF yang dibuat dari gambar hasil scan tidak punya lapisan sama sekali, dan PDF yang dibuat oleh program yang menyimpan teks dalam urutan visual — kanan ke kiri, atau kolom per kolom — akan diekstrak dalam urutan itu, dan tidak ada pengekstrak yang bisa membetulkannya. Kalau teks hasil ekstrak terlihat salah, buka PDF dan lihat halamannya: kalau halaman itu sendiri terlihat baik tapi teksnya keluar kacau, lapisannya disimpan dengan buruk, dan satu-satunya perbaikan adalah OCR. Dan ingat bahwa file .txt adalah teks biasa: tidak ada bold, tidak ada italic, tidak ada tautan, dan tidak ada gambar. Kalau Anda perlu mengutip sebuah paragraf, file .txt itu sempurna; kalau Anda perlu menunjukkan sebuah halaman, kirim PDF-nya.

Satu catatan praktis lagi: file teks itu kecil, dan itu adalah fitur. Seluruh laporan menjadi beberapa kilobyte yang bisa Anda cari dalam satu detik, kirim lewat email tanpa memikirkan ukuran, atau tempel ke kotak pencarian. Simpan file .txt di samping PDF dengan nama yang sama — report.txt di samping report.pdf — supaya Anda selalu tahu teks mana milik dokumen mana. Dan kalau Anda mengekstrak dari banyak file sekaligus, unduh ZIP-nya dan buka di folder yang sama dengan PDF-nya; namanya cocok, jadi tidak ada yang tertukar.

File .txt hasil ekstrak juga berguna sebagai bahan untuk tool lain. Teks yang sudah diekstrak bisa langsung ditempel ke mesin pencari untuk menemukan dokumen yang sama di tempat lain, dimasukkan ke tool ringkas untuk mendapatkan poin-poin utamanya, atau diterjemahkan tanpa harus membuka PDF aslinya lagi. Karena file .txt itu kecil dan bisa dibuka di mana saja, ia juga mudah dibagikan lewat chat atau email ketika penerima hanya butuh isinya, bukan tampilannya. Simpan file .txt itu bersama PDF aslinya, dengan nama yang sama, supaya kapan pun Anda butuh kata-katanya, Anda tidak perlu mengekstrak ulang.

Semuanya berjalan di browser Anda. PDF Anda tidak pernah diunggah ke server, jadi dokumen pribadi tetap di perangkat Anda. Tanpa akun, tanpa batas harian, dan tanpa watermark. Buka tool-nya, taruh PDF Anda, dan unduh teksnya.

Cara menggunakan tool ini

1. 1Tarik sebuah PDF ke halaman Extract Text from PDF — sampai 20 file, total 100 MB.
2. 2Tekan Extract Text dan tunggu sebentar.
3. 3Unduh file .txt-nya.
4. 4Buka di text editor mana pun dan periksa teks yang Anda butuhkan ada di sana.
5. 5Kalau file kembali kosong atau tool bilang tidak ada teks, PDF Anda adalah hasil scan — pakai tool OCR PDF.