Как извлечь текст из PDF
- Перетащите PDF в зону выше или нажмите, чтобы выбрать файл.
- Нажмите кнопку Извлечь текст. Текст каждой страницы считывается по порядку и показывается в окне предпросмотра, а в начале каждой страницы стоит маркер вроде
--- Страница 2 ---. - Скопируйте текст из окна предпросмотра или скачайте его как обычный файл
.txt(UTF-8).
Извлечение выполняет pdf.js — тот же движок, на котором работает встроенный просмотрщик PDF в Firefox, — прямо во вкладке вашего браузера. Документ не загружается, поэтому можно безопасно извлекать текст из договоров, научных статей или выписок.
Как работает извлечение текста из PDF
Внутри PDF у каждой страницы есть поток содержимого: список инструкций рисования вроде «использовать шрифт F1 размером 11 пунктов, перейти в позицию (72, 700), вывести эти символы». Поэтому текст хранится в виде позиционированных фрагментов: иногда это целая строка, иногда одно слово или даже отдельные буквы.
Чтобы превратить это обратно в читаемый текст, программа извлечения:
- декодирует каждый фрагмент из внутренних кодов символов шрифта в Unicode, используя таблицы соответствия, встроенные в PDF;
- сортирует фрагменты по их положению на странице;
- вставляет пробелы и переносы строк там, где промежутки между фрагментами указывают на новые слова и новые строки.
Поскольку в PDF нет явного понятия абзацев или порядка чтения, результат — простой текст с переносами строк, а не форматированные абзацы. Для большинства документов (писем, отчётов, книг, статей) результат читается естественно.
Ограничения
| Ситуация | Что вы увидите |
|---|---|
| Отсканированные или сфотографированные страницы | Текста нет — страница является изображением, а OCR не предусмотрен |
| Многоколоночная вёрстка | Колонки могут перемежаться построчно |
| Таблицы | Значения ячеек по строкам, без сетки |
| Шрифты без соответствия Unicode | Искажённые или пропавшие символы |
| PDF с паролем / зашифрованный PDF | Файл не открывается |
Быстрая проверка подскажет, чего ожидать: откройте PDF в любой программе просмотра и попробуйте выделить предложение. Если его удаётся выделить и скопировать, текст можно извлечь. Если вся страница выделяется одним блоком или не выделяется ничего, это изображение.
Советы
- Хотите сохранить заголовки и абзацы вместо простых строк? Используйте инструмент «PDF в Word» в режиме «Редактируемый текст (абзацы и заголовки)».
- Для чисел, расположенных в таблицах, инструмент «PDF в Excel» раскладывает значения по строкам и столбцам.
- Простой текст идеален для поисковых индексов, инструментов перевода, подсчёта слов, ИИ-сервисов для составления резюме и программ специальных возможностей, потому что в нём нет форматирования, которое нужно удалять.
Часто задаваемые вопросы
Почему я получаю сообщение «Текст не найден»?
PDF содержит изображения текста, а не настоящий текст, что типично для сканов. Текст из таких файлов можно получить только с помощью программ OCR.
Почему некоторые символы заменены странными знаками?
В некоторых PDF встроены шрифты с собственными кодами символов и без соответствия Unicode. Программа просмотра может отрисовать начертания символов, но надёжно узнать, каким буквам они соответствуют, невозможно.
Сохраняется ли форматирование, например полужирный шрифт или размер шрифта?
Нет. Результат — простой текст UTF-8. Каждая строка страницы становится строкой текста, но шрифты, цвета и изображения не сохраняются.
Можно ли извлечь текст только с определённых страниц?
Инструмент извлекает весь документ. Чтобы ограничить его, сначала сохраните нужные страницы в отдельный файл с помощью инструмента «Разделить PDF».
Обновлено