സൗജന്യ PDF-ൽ നിന്ന് വേർഡിലേക്ക്

ഇത് എങ്ങനെ പ്രവർത്തിക്കുന്നു

ഈ ടൂൾ രണ്ട് JavaScript ലൈബ്രറികൾ ഉപയോഗിച്ച് PDF-കൾ Word ഡോക്യുമെന്റുകളാക്കി പൂർണ്ണമായും നിങ്ങളുടെ ബ്രൗസറിൽ പരിവർത്തനം ചെയ്യുന്നു: pdfjs-dist ഓരോ പേജിൽ നിന്നും ടെക്സ്റ്റ് extract ചെയ്യുന്നു, docx ലൈബ്രറി ശരിയായി ഘടനാപരമായ ഒരു .docx ഫയൽ അസംബിൾ ചെയ്യുന്നു — ഒരു ഘട്ടത്തിലും സെർവർ ഉൾപ്പെട്ടിട്ടില്ല.

1. 1
   pdfjs-dist PDF പാഴ്സ് ചെയ്യുന്നു

   PDF ഒരു ArrayBuffer ആയി വായിക്കുകയും pdfjs-dist-ലേക്ക് (v5.6.205) കൈമാറുകയും ചെയ്യുന്നു, ഇത് ഒരു Web Worker ഉപയോഗിച്ച് ഫയൽ ലോക്കലായി പ്രോസസ്സ് ചെയ്യുന്നു. ഇത് ഓരോ പേജിലൂടെയും നടക്കുകയും PDF-ന്റെ കണ്ടെന്റ് സ്ട്രീമിൽ എംബെഡ് ചെയ്ത റോ ടെക്സ്റ്റ് ഇനങ്ങൾ വീണ്ടെടുക്കാൻ getTextContent() വിളിക്കുകയും ചെയ്യുന്നു.
2. 2
   Y-കോർഡിനേറ്റ് ഹ്യൂറിസ്റ്റിക് വരികൾ പുനർനിർമ്മിക്കുന്നു

   PDF ടെക്സ്റ്റ് ഇനങ്ങൾക്ക് 'വരികൾ' എന്ന സങ്കൽപ്പമില്ല — അവ അബ്സൊല്യൂട്ട് കോർഡിനേറ്റുകൾ ഉപയോഗിച്ചാണ് സ്ഥാപിക്കുന്നത്. ടൂൾ ഓരോ ഇനത്തിന്റെയും Y പൊസിഷൻ മുമ്പത്തേതുമായി താരതമ്യം ചെയ്യുന്നു: ഗ്യാപ്പ് ടെക്സ്റ്റ് ഉയരത്തിന്റെ പകുതി കടന്നാൽ, ഒരു ന്യൂലൈൻ ചേർക്കുന്നു. ഇത് ലോ-ലെവൽ ഗ്ലിഫ് ഡാറ്റയിൽ നിന്ന് വായിക്കാവുന്ന ഖണ്ഡികകൾ പുനർനിർമ്മിക്കുന്നു.
3. 3
   docx ലൈബ്രറി Word ഫയൽ നിർമ്മിക്കുന്നു

   ഓരോ PDF പേജും docx ലൈബ്രറി നിർമ്മിക്കുന്ന ഒരു Document ഒബ്ജക്റ്റിലെ ഒരു സെക്ഷനാകുന്നു. വരികൾ TextRun ചൈൽഡുകളുള്ള Paragraph നോഡുകളാകുന്നു, ഒരു Heading 2 ഓരോ പേജിനും ലേബൽ നൽകുന്നു. Packer.toBlob() മെമ്മറിയിലെ ഡോക്യുമെന്റ് ട്രീയെ ഒരു വാലിഡ് .docx ബൈനറി ആയി സീരിയലൈസ് ചെയ്യുന്നു.
4. 4
   ഡൗൺലോഡും ഓപ്ഷണൽ പ്ലെയിൻ-ടെക്സ്റ്റ് എക്സ്പോർട്ടും

   പൂർത്തിയായ .docx Blob ഒറിജിനൽ ഫയലിന്റെ പേരോടെ ഡൗൺലോഡിനായി നൽകുന്നു. ഒരു പ്ലെയിൻ-ടെക്സ്റ്റ് പ്രിവ്യൂ (സ്ക്രീനിൽ 8,000 ക്യാരക്ടറുകളിൽ പരിമിതപ്പെടുത്തിയത്) നിങ്ങൾ ഡൗൺലോഡ് ചെയ്യുന്നതിന് മുമ്പ് extract ചെയ്ത ഉള്ളടക്കം പരിശോധിക്കാൻ അനുവദിക്കുന്നു, റോ ടെക്സ്റ്റ് മാത്രം ആവശ്യമെങ്കിൽ ഒരു പ്രത്യേക .txt എക്സ്പോർട്ടും ലഭ്യമാണ്.

അനുബന്ധ ടൂളുകൾ