Mengubah PDF ke teks dilakukan lewat PDF ke Teks: unggah berkasnya, jalankan prosesnya, lalu unduh satu berkas teks polos berisi seluruh kata dari dokumen. Baris dan paragraf dipertahankan sebagai pemisah, jadi teksnya masih terbaca sebagai tulisan, bukan sebagai satu blok panjang.
Hasil yang berantakan biasanya bukan kesalahan proses, melainkan akibat bentuk dokumennya. Tabel, tata letak dua kolom, dan catatan kaki adalah tiga hal yang paling sering membuat teks hasil ekstraksi sulit dibaca. Bagian terbesar artikel ini membahas cara menanganinya, mulai dari menyiapkan dokumen sebelum diekstrak sampai merapikan hasilnya setelah jadi.
Apa yang dihasilkan PDF ke Teks
Hasilnya adalah satu berkas teks polos dengan ekstensi .txt. Isinya seluruh kata dari dokumen, dengan pemisah baris dan paragraf yang mengikuti susunan aslinya. Tidak ada pemformatan: tidak ada tebal, miring, ukuran huruf, atau warna. Yang tersisa hanya teksnya.
Karena itu, berkas ini cocok untuk tiga keperluan. Pertama, diolah lagi di pengolah kata atau editor teks. Kedua, dijadikan bahan pencarian dan penyuntingan massal. Ketiga, dijadikan bahan masukan untuk sistem yang memproses teks, karena bentuk teks polos tanpa penanda lebih mudah dibaca mesin daripada PDF.
Yang tidak dihasilkan adalah tata letaknya. Kalau yang dibutuhkan struktur judul, daftar, dan penekanan, alatnya PDF ke Markdown. Kalau yang dibutuhkan halaman web, alatnya PDF ke HTML. Tiga tool itu bekerja dari berkas yang sama dengan hasil yang berbeda.
Kapan hasilnya rapi dan kapan berantakan
Dokumen dengan susunan sederhana menghasilkan teks yang rapi. Satu kolom, paragraf berurutan, tanpa tabel, dan tanpa catatan kaki. Laporan, surat, dan naskah pada umumnya masuk kategori ini.
Dokumen dengan susunan bertingkat menghasilkan teks yang perlu dirapikan. Ada tiga pola yang paling sering menimbulkan masalah.
Yang pertama, tabel. Teks di dalam tabel diambil berurutan per baris dokumen, sehingga urutannya bisa berbeda dari tampilan tabel. Sel yang bersebelahan di layar bisa terpisah jauh di hasil teks.
Yang kedua, tata letak dua kolom. Teks dibaca berurutan mengikuti posisinya di halaman, sehingga bagian bawah kolom pertama bisa menempel pada bagian atas kolom kedua, atau sebaliknya, tergantung susunan objek di dalam berkas.
Yang ketiga, catatan kaki dan keterangan gambar. Teks kecil di bawah halaman ikut terambil, dan sering muncul di tempat yang tidak terduga, misalnya menyela paragraf terakhir.
Menyiapkan dokumen sebelum diekstrak
Hasil terbaik datang dari dokumen yang disiapkan lebih dulu. Empat langkah berikut ini menghemat waktu perapian setelah konversi.
- Periksa apakah dokumennya hasil pindai. Kalau ya, hentikan di sini dan baca bagian berikutnya, karena dokumen pindai tidak menghasilkan teks sama sekali.
- Kalau ada halaman yang tidak diperlukan, buang lebih dulu lewat Hapus Halaman PDF. Halaman yang dibuang tidak akan muncul sebagai sampah di berkas teks.
- Kalau dokumennya berisi tabel yang panjang, catat dulu di halaman berapa tabel itu berada. Catatan ini berguna saat merapikan hasilnya nanti.
- Jalankan konversi pada berkas asli, bukan pada hasil kompresi berulang, supaya urutan objeknya masih seperti aslinya.
Merapikan hasil setelah jadi
Setelah berkas teks didapat, perapiannya dikerjakan di editor teks. Urutannya sebagai berikut.
- Buka berkas .txt di editor teks, bukan di pengolah kata, supaya tidak ada pemformatan tambahan yang tersisip.
- Nyalakan fitur pembungkusan baris kalau ada. Teks hasil ekstraksi memakai pemisah baris yang mengikuti halaman, sehingga barisnya bisa sangat panjang.
- Ganti setiap kemunculan dua spasi atau lebih menjadi satu spasi, kecuali pada bagian yang memang disusun berkolom.
- Periksa bagian yang berisi tabel dan susun ulang urutannya sesuai catatan yang dibuat sebelumnya.
- Hapus nomor halaman dan kepala halaman yang berulang, karena keduanya ikut terambil di setiap halaman.
- Simpan dengan nama baru, jangan menimpa berkas aslinya.
Dokumen pindai tidak menghasilkan teks
Satu hal yang perlu diketahui sejak awal: dokumen hasil pindai tanpa lapisan teks tidak menghasilkan tulisan. Berkas pindai menyimpan halamannya sebagai gambar, dan teks di dalam gambar itu bukan teks digital. Karena itu, hasil ekstraksinya kosong atau hanya berisi potongan yang tidak berarti.
OCR belum tersedia di tool ini, jadi berkas pindai diperlakukan sebagai gambar dan teksnya belum bisa dicari. Kalau yang dibutuhkan teks dari dokumen pindai, pekerjaan itu harus dikerjakan dengan perangkat lunak OCR di komputer sendiri, dan hasilnya tetap perlu diperiksa kata per kata karena pengenalan karakter tidak pernah sempurna.
Cara membedakan dokumen pindai dari dokumen berteks sederhana: coba pilih satu kata di dalam pembaca PDF. Kalau kata itu bisa disorot, dokumennya berisi teks digital. Kalau seluruh halaman hanya bisa disorot sebagai satu blok, dokumennya gambar.
Memeriksa hasil sebelum dipakai
Sebelum berkas teksnya dipakai, ada tiga pemeriksaan singkat yang layak dilakukan.
Periksa jumlah barisnya. Berkas teks dari dokumen yang cukup panjang seharusnya tidak hanya berisi beberapa baris. Kalau hasilnya jauh lebih pendek dari perkiraan, ada bagian yang tidak terbaca.
Periksa bagian awal dan bagian akhir. Dua bagian itu yang paling sering bermasalah: bagian awal karena halaman sampul biasanya berisi teks besar yang jarang diperlukan, dan bagian akhir karena catatan kaki sering menumpuk di sana.
Periksa satu bagian yang Anda tahu isinya, misalnya paragraf pertama yang Anda ingat. Bandingkan dengan aslinya di PDF. Kalau susunannya sama, urutan objek di berkas itu baik, dan sisa teksnya kemungkinan besar juga baik.
Masalah yang sering terjadi
Hasilnya kosong. Berkasnya kemungkinan hasil pindai tanpa lapisan teks, atau berisi halaman yang seluruhnya gambar. Periksa dengan cara menyorot teks di pembaca PDF seperti dijelaskan di atas.
Urutan kalimat melompat-lompat. Dokumennya kemungkinan dua kolom atau berisi kotak teks yang posisinya tidak berurutan. Ekstraksi membaca teks mengikuti urutan objek di dalam berkas, bukan mengikuti urutan yang terlihat mata. Untuk dokumen seperti ini, hasilnya perlu disusun ulang secara manual.
Tabel jadi satu blok panjang. Teks di dalam tabel diambil berurutan per baris dokumen, sehingga batas antar sel hilang. Kalau isi tabelnya penting, catat posisinya sebelum konversi dan susun ulang setelahnya. Kalau tabelnya rumit, pertimbangkan menyalin isinya langsung dari PDF.
Spasi ganda muncul di mana-mana. Ini akibat jarak antar objek di halaman yang ikut terbaca sebagai spasi. Ganti spasi ganda menjadi satu spasi lewat fitur cari dan ganti di editor teks.
Nomor halaman muncul di tengah teks. Nomor halaman adalah teks di dalam halaman, jadi ikut terambil. Hapus setelah ekstraksi selesai. Kalau jumlahnya banyak, gunakan fitur cari dan ganti berdasarkan pola nomornya.
Kapan sebaiknya tidak memakai tool online
Dokumen berisi data pribadi lengkap, berkas keuangan, atau dokumen internal yang belum boleh keluar dari jaringan kantor sebaiknya diekstrak dengan aplikasi yang berjalan di komputer sendiri. Untuk tool kelompok ini, berkas dialirkan ke pemroses dan hasilnya dikirim balik ke peramban tanpa ditulis ke penyimpanan permanen, tetapi berkas tetap meninggalkan perangkat selama proses berlangsung. Keterangan lengkapnya ada di kebijakan privasi.
Kalau dokumennya sangat besar, mengunggahnya lewat koneksi yang tidak stabil lebih sering gagal di tengah jalan. Batas ukurannya 30 MB per berkas pada paket Gratis dan 200 MB pada paket Berbayar, dan angka lengkapnya ada di halaman harga.
Pertanyaan yang sering muncul
Apakah PDF ke Teks menyimpan gambarnya? Tidak. Hasilnya hanya teks. Untuk mengambil gambarnya, gunakan Ekstrak Gambar dari PDF.
Apakah tebal dan miring ikut tersimpan? Tidak. Teks polos tidak menyimpan pemformatan. Kalau penekanan itu penting, gunakan PDF ke Markdown yang mengenali penanda tebal dan miring.
Apakah hasilnya bisa dibuka di Excel? Bisa, tetapi datanya tidak otomatis tersusun dalam kolom. Berkas teks hanya memuat baris, dan pemisah antar kolom perlu ditentukan sendiri saat impor.
Apakah urutan teks bisa diatur? Tidak. Urutannya mengikuti susunan objek di dalam berkas PDF. Untuk dokumen satu kolom yang sederhana, urutannya biasanya sudah benar.
Apakah nomor halaman ikut terambil? Ya, karena nomor halaman adalah teks di dalam halaman. Nomor itu perlu dihapus setelah ekstraksi.
Untuk mengambil seluruh teks dari dokumen, buka PDF ke Teks. Pilihan konversi lain di kelompok ini ada di Konversi Format Dokumen, dan panduan PDF secara umum ada di Panduan PDF.