ఉచిత PDF నుండి Word

ఇది ఎలా పనిచేస్తుంది

ఈ టూల్ రెండు JavaScript లైబ్రరీలు ఉపయోగించి PDFలను పూర్తిగా మీ బ్రౌజర్‌లో Word డాక్యుమెంట్‌లుగా మారుస్తుంది: pdfjs-dist ప్రతి పేజీ నుండి టెక్స్ట్‌ను వెలికితీస్తుంది, docx లైబ్రరీ సరిగ్గా నిర్మించిన .docx ఫైల్‌ను కూర్చుతుంది — ఏ దశలోనూ సర్వర్ ప్రమేయం లేదు.

1. 1
   pdfjs-dist PDFను పార్స్ చేస్తుంది

   PDF ArrayBufferగా చదవబడి pdfjs-dist (v5.6.205)కు అప్పగించబడుతుంది, ఇది Web Worker ఉపయోగించి ఫైల్‌ను లోకల్‌గా ప్రాసెస్ చేస్తుంది. ఇది ప్రతి పేజీని పరిశీలించి PDF content streamలో పొందుపరిచిన ముడి text itemsను పొందడానికి getTextContent() పిలుస్తుంది.
2. 2
   Y-coordinate heuristic లైన్‌లను పునర్నిర్మిస్తుంది

   PDF text itemsకు 'లైన్‌లు' అనే భావన లేదు — అవి సంపూర్ణ coordinates ద్వారా ఉంచబడతాయి. టూల్ ప్రతి item Y స్థానాన్ని మునుపటిదానితో పోలుస్తుంది: అంతరం టెక్స్ట్ ఎత్తులో సగం కంటే ఎక్కువైతే, న్యూలైన్ చేర్చబడుతుంది. ఇది తక్కువ-స్థాయి glyph డేటా నుండి చదవగలిగే పేరాలను పునర్నిర్మిస్తుంది.
3. 3
   docx లైబ్రరీ Word ఫైల్‌ను నిర్మిస్తుంది

   ప్రతి PDF పేజీ docx లైబ్రరీ సృష్టించిన Document ఆబ్జెక్ట్‌లో ఒక section అవుతుంది. లైన్‌లు TextRun children ఉన్న Paragraph nodes అవుతాయి, Heading 2 ప్రతి పేజీకి లేబుల్ ఇస్తుంది. Packer.toBlob() మెమరీలోని document treeను చెల్లుబాటయ్యే .docx బైనరీగా సీరియలైజ్ చేస్తుంది.
4. 4
   డౌన్‌లోడ్ మరియు ఐచ్ఛిక సాదా-టెక్స్ట్ ఎగుమతి

   పూర్తయిన .docx Blob అసలు ఫైల్‌పేరుతో డౌన్‌లోడ్‌కు అందించబడుతుంది. సాదా-టెక్స్ట్ ప్రివ్యూ (తెరపై 8,000 అక్షరాలకు పరిమితం) డౌన్‌లోడ్ చేసే ముందు వెలికితీసిన విషయాన్ని ధృవీకరించనిస్తుంది, మీకు ముడి టెక్స్ట్ మాత్రమే కావాలంటే ప్రత్యేక .txt ఎగుమతి అందుబాటులో ఉంది.

సంబంధిత సాధనాలు