Extract text from images — free

Muunnin rakentaa uudelleen dokumentin loogisen rakenteen — otsikot, kappaleet, listat, aidot <table>-elementit, linkit ja kuvat — sen sijaan että se vain kiinnittäisi jokaisen merkin X/Y-koordinaattiin, kuten jotkin PDF-katseluohjelmat tekevät. Tulos mukautuu mobiilissa, indeksoituu hyvin hakukoneoptimointia varten ja on ruudunlukuohjelmilla käytettävissä heti.

Kyllä. Taulukoista tulee standardinmukaisia <table>-, <thead>-, <tbody>-, <tr>-, <th>- ja <td>-elementtejä, joiden otsikkosoluissa on asianmukaiset scope-attribuutit. Tämä tekee niistä ruudunlukijaystävällisiä, haettavia ja helppoja tyylitellä Bootstrapilla, Tailwindilla tai olemassa olevalla CSS-kehykselläsi – ylimääräistä merkinnän muunnosta ei tarvita.

Kyllä. Liitä WordPressiin, Webflow'hun, Ghostiin, Notioniin (upotuksena), Confluenceen, GitBookiin tai omaan staattiseen sivustoosi – merkintä on riippumaton kirjastoista, läpäisee W3C HTML5 -standardin validoinnin ja renderöityy identtisesti Chromessa, Safarissa, Firefoxissa ja Edgessä. Kuvat sisällytetään base64-muodossa tekstin sisään tai puretaan erillisiksi tiedostoiksi mieltymyksesi mukaan.

Kyllä. Pelkästään kuvapohjaiset PDF-tiedostot käynnistävät OCR-moottorin, joka poimii tekstin ja rakentaa asettelun uudelleen ennen HTML:n luomista. Tämä tarkoittaa, että jopa vanhat skannatut white paper -dokumentit, valokuvatut raportit ja faksatut asiakirjat voidaan julkaista uudelleen moderneina responsiivisina verkkosivuina, joissa on asianmukaiset otsikot, kappaleet ja linkit.

Kyllä. Upotetut kuvat puretaan, optimoidaan (WebP tai PNG sisällöstä riippuen) ja viitataan niihin <img>-tageilla, joiden leveys- ja korkeusattribuutit on asetettu CLS-ystävällistä latausta varten. Vektorikaaviot saattavat litistyä rasteriksi – täyttä vektoritarkkuutta varten käytä PDF–kuvat-muunninta ja upota SVG-versiot manuaalisesti.

Lataukset poistetaan minuuttien sisällä, niitä ei koskaan käytetä mallien kouluttamiseen eikä jaeta. HTML-tuloste ei sisällä vesileimaa, attribuutiokommenttia eikä seurantapikseliä. Toimistot ja yritysten omat tiimit käyttävät työkalua vanhojen PDF-tiedostojen siirtämiseen nykyaikaisille CMS-sivustoille ilman lisensointi- tai yksityisyyshuolia.

Open the Engine control group next to the preview, pick Default, Engine 1 or Engine 2, then choose the document's language from the searchable Language picker below it — over 100 languages are supported, including non-Latin scripts. After changing either setting, click Re-run extraction to regenerate the HTML with the new OCR pass.

Start with Default for common Latin-script languages — it's the fastest and most accurate for everyday documents. For less common scripts (Arabic, Hindi, Chinese) or when Default garbles headings and tables, switch to Engine 1 or Engine 2, set the matching Language, then Re-run extraction — different engines specialise in different scripts, so trying both takes seconds and often fixes misread accented characters.

Yes — the output panel shows an editable code box next to a live rendered preview, so typing a fix (removing a stray tag, adjusting a heading level, tweaking inline text) updates the preview pane immediately. Make all your corrections there before hitting download or copy, since both actions use whatever is currently in the code box, not the original OCR output.

Click Copy HTML above the output panel — it copies exactly what's in the editable code box, including any manual edits you've made, to your clipboard and briefly shows 'Copied!' to confirm. This is the quickest route when you're pasting straight into a CMS's HTML or embed block rather than uploading a file.

You can convert a PDF to HTML without creating an account. Signed-in free accounts get a daily allowance of conversions and see a small usage meter once they're near it, since scanned PDF pages route through OCR — Premium accounts don't see any cap.

No — there is no setting for this in the tool; how images are embedded in the output HTML is decided automatically and can't be switched in the UI, regardless of what some site copy suggests. If you need standalone image files for a CMS media library, export the pages separately with PDF to Images instead, which outputs PNG or JPG — not SVG — at your choice of 150, 200 or 300 DPI.