Cara ekstrak teks dari PDF, dan mengapa sebagian PDF tidak menghasilkan apa-apa

Dua PDF bisa tampak identik di penampil, tetapi berperilaku sangat berbeda saat Anda mencoba mengambil kata-katanya. Yang satu menyerahkan setiap kalimat. Yang lain tidak menyerahkan apa pun, dan tidak ada pengaturan yang bisa mengubahnya. Perbedaannya tidak terlihat di layar, jadi ada baiknya Anda memahaminya sebelum menyalahkan alatnya.

Pengertian lapisan teks dan OCR

Lapisan teks (text layer) adalah kumpulan karakter yang disimpan PDF sebagai teks, masing-masing dengan posisinya di halaman. Memilih kata, mencari dengan Ctrl+F atau Cmd+F, dan mengekstrak teks semuanya membaca lapisan teks, bukan yang lain. PDF yang diekspor dari pengolah kata atau browser memilikinya, karena perangkat lunaknya tahu persis setiap karakter saat menulis file tersebut.

OCR, optical character recognition atau pengenalan karakter optis, adalah pekerjaan terpisah untuk mengenali karakter apa saja yang muncul dalam gambar sebuah halaman. Pemindai atau kamera ponsel menghasilkan gambar, jadi PDF hasil scan memiliki halaman tetapi tidak memiliki lapisan teks, dan ekstraksi tidak menghasilkan apa-apa sampai ada program yang menjalankan OCR. Alat ini tidak melakukan OCR. Mengenali glyph dari piksel adalah operasi yang berbeda dengan unduhan yang jauh lebih besar, dan halaman alat ini mencantumkannya sebagai hal yang tidak dilakukannya.

Tes tercepat tidak memerlukan alat apa pun: buka PDF-nya dan coba pilih satu kata. Jika tidak bisa, halaman itu hampir pasti berupa gambar.

PDF ke teks, langkah demi langkah

1. Buka PDF to text lalu pilih Add a PDF (tambahkan PDF), atau seret file ke halaman. Setiap halaman muncul sebagai thumbnail. File yang dilindungi kata sandi akan meminta kata sandinya terlebih dahulu.
2. Tekan tombol PDF to text. Tidak ada pengaturan yang perlu dipilih.
3. Baca halaman pertama hasilnya di kotak sebelum melakukan hal lain. Dari situ Anda langsung tahu apakah dokumen memiliki lapisan teks dan apakah urutannya sesuai dengan urutan baca. Setelah itu, Copy (salin) teksnya, atau Download (unduh) sebagai document.txt.

Bentuk hasilnya

Alat ini membaca teks setiap halaman sesuai urutan yang dicantumkan di dalam file, menggabungkan potongannya dengan satu spasi, dan memulai halaman berikutnya setelah satu baris kosong. Jeda baris di dalam halaman tidak dipertahankan, jadi setiap halaman tiba sebagai satu paragraf panjang. Bentuk ini cocok untuk mencari, mengutip, atau menempel ke tempat yang akan menata ulang alirannya, dan kurang cocok untuk apa pun yang jeda barisnya bermakna, seperti blok alamat.

Tidak ada batas halaman. Laporan 300 halaman diproses dengan cara yang sama seperti struk belanja; bedanya hanya berapa lama prosesor Anda sendiri bekerja.

Mengapa sebagian PDF tidak menghasilkan apa-apa, dan yang lain berantakan

Yang Anda tambahkan	Yang Anda dapatkan	Alasannya
Dokumen yang diekspor dari pengolah kata atau browser	Teksnya, satu blok per halaman	Dokumen itu memiliki lapisan teks
Makalah dua kolom dengan header berulang	Semua kata, dengan kolom yang sebagian tercampur	Ekstraksi mengikuti urutan internal file, bukan urutan visual
Dokumen hasil scan	Tidak ada	Setiap halaman berupa gambar tanpa lapisan teks, dan alat ini tidak melakukan OCR
PDF yang dibuat dari foto dengan Images to PDF	Tidak ada	Alat itu menempatkan gambar di halaman dan tidak menambahkan teks
PDF yang dikecilkan dengan pengaturan Strong atau Smallest di Compress PDF	Tidak ada	Keduanya merender setiap halaman menjadi JPEG lalu menyematkannya kembali, sehingga lapisan teksnya hilang
PDF yang dilindungi kata sandi	Permintaan kata sandi, lalu teksnya	Isinya terenkripsi sampai file dibuka

Kasus scan inilah yang paling sering dialami orang. Tidak ada yang salah dengan file-nya dan tidak ada yang salah dengan alat ekstraksinya: memang tidak ada teks di dalamnya, hanya gambar teks. Jika tidak satu halaman pun berisi teks, alat ini memberi tahu Anda: alat melaporkan bahwa tidak ada teks yang ditemukan, menyebut scan sebagai penyebab yang paling mungkin, dan menyatakan bahwa ia tidak melakukan OCR. Sampai Oktober 2026, alat ini hanya mengembalikan kotak kosong tanpa penjelasan, dan kebingungan itulah yang ingin dijernihkan oleh panduan ini. Dua baris berikutnya adalah kegagalan yang sama, tetapi disengaja. Dokumen yang sudah melewati kompresor yang merasterisasi halaman, sejauh yang bisa dikenali oleh alat ekstraksi mana pun, adalah scan; itulah kompromi yang dijelaskan dalam pengukuran kompresi PDF lossless kami.

Kolom yang tercampur adalah masalah yang lebih halus. Urutan baca adalah urutan seseorang membaca kata-kata, dan PDF tidak mencatatnya. PDF menyimpan glyph beserta koordinatnya, sedangkan paragraf yang Anda lihat adalah hasil rangkaian mata Anda sendiri. Sebagian besar program pembuat PDF kebetulan mencantumkan teks sesuai urutan baca, jadi sebagian besar file keluar dengan baik. Pada tata letak dua kolom, kolomnya sering tercampur, dan teks di header, footer, atau kotak mengambang bisa muncul di mana saja dalam aliran teks. Tidak ada perbaikan umum yang andal tanpa analisis tata letak, dan belum ada library di sisi browser yang menerapkannya.

Jika PDF-nya hasil scan

Anda memerlukan OCR, dan situs ini tidak menyediakannya. Jika perangkat lunak OCR yang Anda gunakan meminta gambar alih-alih PDF, render halamannya dengan PDF to JPG pada 300 dpi, resolusi yang direkomendasikan alat itu untuk OCR.

Teks, bukan dokumen Word

Alasan yang sama membuat situs ini tidak menyediakan konversi PDF ke Word. Memulihkan kolom, tabel, dan judul berarti menebak struktur yang tidak pernah dicatat. Setiap alat gratis yang mengaku bisa melakukannya hanya mengembalikan deretan teks datar dengan tabel yang rusak, yaitu teks yang sama dengan ekstensi file yang menyesatkan. Alat ini memberi Anda teksnya dan menyebutnya apa adanya.

Cara lain untuk melakukannya

Tidak ada metode bawaan desktop dalam daftar yang sudah kami periksa. Di command line, pdftotext dari poppler bisa melakukannya:

pdftotext -layout input.pdf output.txt

Program itu membaca lapisan teks yang sama, jadi scan juga tidak menghasilkan apa-apa di sana.

Memastikan tidak ada yang diunggah

Tambahkan PDF dan tunggu sampai thumbnail muncul, karena saat itulah halaman mengambil kode untuk membaca PDF. Lalu putuskan koneksi jaringan dan tekan tombolnya. Ekstraksi tetap berjalan, karena prosesnya terjadi di dalam tab.

Ekstrak teksnya dengan PDF to text. Jika Anda ingin jeda halaman ditandai, PDF to Markdown menjalankan ekstraksi yang sama dan menaruh judul sebelum setiap halaman.