PDF naar tekst

In een rapport van tweehonderd pagina's moet een formulering worden teruggevonden en geciteerd. Of de tekst van een regeling moet naar een vertaalhulp, naar een analyse of gewoon naar een kladblok, zonder dat kop- en voetteksten meekomen. De tekstuitvoer haalt precies eruit wat als teken in het bestand staat en zet dat als .txt in UTF-8 weg, zodat accenten en het ij-teken goed overkomen.

De leesvolgorde volgt de volgorde waarin de tekens in het bestand zijn opgeslagen, en die komt niet altijd overeen met wat het oog ziet. Bij twee kolommen, paginanummers, kanttekeningen en tabellen kan de volgorde door elkaar lopen; tabelcellen verschijnen als opeenvolgende regels en de koppeling met de kolom gaat verloren. Opmaak, afbeeldingen en pagina-indeling worden bewust niet meegenomen. Komt er alleen wartaal uit, dan mist het bestand de koppeling van zijn lettervormen naar Unicode, iets wat bij oudere zetprogramma's voorkomt en achteraf niet te repareren is.

Een gescande PDF levert een leeg bestand op, en dat is geen storing: op een scan staan geen tekens, alleen een afbeelding van de pagina. Daarvoor is tekstherkenning bedoeld, al staat Nederlands niet in de talenkeuze daarvan. Wie de tekst liever meteen in alinea's in een bewerkbaar bestand heeft, kiest de Word-uitvoer, die overigens ook alleen tekst oplevert. Het bestand wordt lokaal in de browser gelezen; er wordt niets geupload.