Русский
Как извлечь текст из PDF
Чтобы извлечь текст из PDF, перетащите файл в поле выше. Текст появится справа, как только страницы прочитаются, и его можно скопировать или скачать как файл .txt или Markdown. Всё происходит в браузере, поэтому договор, банковская выписка или неопубликованная рукопись никогда не отправляются на сервер.
- Добавьте один PDF или несколько. Если хотите просто посмотреть, что делает инструмент, нажмите кнопку примера.
- Выберите обычный текст или Markdown и решите, объединять ли строки в абзацы.
- Введите диапазон страниц, если нужна только часть файла, например 1-3, 5, 8-.
- Проверьте результат в режиме «Весь документ» или постранично, затем скопируйте или скачайте его. Если файлов несколько, Скачать все (.zip) даст по одному текстовому файлу на каждый PDF.
Счётчики слов и знаков над текстом относятся к выбранным страницам. Это удобно, чтобы быстро посчитать объём длинного отчёта, не открывая текстовый редактор.
Почему текст, скопированный из PDF, выглядит сломанным
PDF не содержит абзацев. Он содержит куски текста с координатами, нарисованные в том порядке, который выбрала программа, создавшая файл. Если выделить и скопировать текст в программе для чтения PDF, вы получите перенос строки в конце каждой напечатанной строки, слова, разрезанные дефисами, а в статье в две колонки первую строку левой колонки, за которой идёт первая строка правой.
Этот инструмент восстанавливает структуру по координатам:
| Проблема при копировании | Что делает инструмент | Параметр |
|---|---|---|
| Перенос строки после каждой напечатанной строки | Объединяет строки абзаца и сохраняет промежутки между абзацами | Переносы строк |
| про- изводство, разбитое на две строки | Убирает дефис и склеивает слово | Исправлять слова, разорванные дефисом |
| Колонки перемешаны | Читает левую колонку до низа, затем следующую | Читать колонки одну за другой |
| Номер страницы и название на каждой странице | Удаляет строки, которые повторяются в верхнем или нижнем поле | Удалять повторяющиеся колонтитулы и подвалы |
| Таблица, свёрнутая в поток слов | Сохраняет строки и столбцы, через табуляцию или таблицей Markdown | Распознавать таблицы |
Одно предостережение о исправлении дефисов: оно склеивает строчное продолжение с предыдущим словом, поэтому настоящее составное слово, которое случайно разбилось на дефисе, например «кое-
что», превратится в «коечто». Снимите отметку, если документ полон составных слов.
Обычный текст или Markdown?
Обычный текст самый безопасный вариант для вставки в письмо, заметки или программу для перевода. Markdown лучше, когда текст пойдёт в документацию, вики или заметки, которые его понимают. Инструмент угадывает заголовки по размеру шрифта: самый крупный размер становится #, следующий ##, затем ###. Маркированные и нумерованные списки сохраняют свои маркеры, а таблицы становятся таблицами Markdown. PDF, где все надписи одного размера, просто не содержит заголовков для поиска.
Сканированные PDF и OCR
Скан это фотография страницы, поэтому текста в нём нет и извлекать нечего. Когда у страницы нет текстового слоя, появляется поле OCR, где вы выбираете язык и распознаёте страницы. Движок OCR (Tesseract) работает в браузере. Сам движок и языковые данные загружаются при первом использовании (несколько мегабайт, для некоторых языков больше), а ваши страницы при этом по-прежнему никуда не отправляются.
- Чистый скан на 300 DPI даёт хороший результат. Фото телефона, сделанное под углом с тенями, даёт заметно хуже.
- Выбирайте правильный язык. Английский OCR на испанской странице теряет все ударения.
- Таблицы и многоколоночная вёрстка с OCR надёжны меньше, чем настоящий текст. Числа особенно нужно проверять.
Чего инструмент не умеет
Текст, входящий в картинку, диаграмму или рисунок, не является текстом PDF и пропускается, если не распознавать страницу через OCR. Сложная вёрстка с плавающими блоками, боковыми врезками или текстом, обтекающим картинки, может читаться в неверном порядке, быстрее всего такие места видно в режиме «Постранично». PDF, созданные с повреждённой кодировкой шрифта, могут давать искажённые буквы, и вы увидите это в результате ещё до скачивания. Повёрнутый текст пропускается. Файлы больше 150 МБ не принимаются, чтобы вкладка не исчерпала память.
Частые вопросы
Как извлечь текст из PDF без загрузки файла?
Перетащите PDF на эту страницу, и через мгновение текст появится справа, готовый к копированию или скачиванию в .txt. Браузер читает файл сам, поэтому он никуда не покидает телефон или компьютер. PDF с текстом на 20 страниц обрабатывается за несколько секунд.
Почему текст, скопированный из PDF, с разорванными строками и странными пробелами?
PDF хранит каждую строку как отдельные куски, поставленные на страницу, а не как абзацы. Инструмент собирает куски обратно в порядке чтения, объединяет строки каждого абзаца и исправляет слова, разорванные дефисом в конце строки, поэтому результат аккуратно вставляется в документ. Если нужны строки ровно как напечатано, переключите «Переносы строк» на «Сохранять переносы строк».
Может ли инструмент читать PDF с двумя или тремя колонками в правильном порядке?
Да, в большинстве случаев. Инструмент ищет чёткий вертикальный промежуток и читает каждую колонку сверху вниз, прежде чем перейти к следующей, а заголовок на всю ширину над колонками остаётся наверху. Страницы журналов с текстом, обтекающим картинки, боковыми врезками или неправильными блоками, могут всё равно выйти в неверном порядке, поэтому проверяйте такие страницы в режиме «Постранично».
Как извлечь текст из сканированного PDF?
Используйте поле OCR, которое появляется, когда у страницы нет текстового слоя. Выберите язык документа и нажмите «Распознать страницы через OCR». Движок работает в браузере, а при первом запуске один раз загружаются языковые данные. Чистый скан на 300 DPI распознаётся хорошо, а фото телефона под углом гораздо хуже, поэтому результат нужно вычитать.
Можно ли получить текст в Markdown с заголовками?
Да. Выберите Markdown (.md), и крупный текст превратится в заголовки: самый большой размер станет #, следующий ## и затем ###. Маркированные и нумерованные списки сохраняют свои маркеры, а таблицы превращаются в таблицы Markdown. Заголовки определяются по размеру шрифта, поэтому в PDF с одним размером везде заголовков не будет.
Как убрать из извлечённого текста колонтитулы, подвалы и номера страниц?
Оставьте включённой опцию «Удалять повторяющиеся колонтитулы, подвалы и номера страниц». Строки в верхнем или нижнем поле, которые повторяются не меньше чем на половине страниц, и одиночные номера страниц удаляются. Заголовок, который встречается только на одной странице, сохраняется. Снимите отметку, если нужный подвал удаляется.
Можно ли извлечь текст только с некоторых страниц или сразу из многих PDF?
Введите в поле «Страницы» что-то вроде 1-3, 5, 8-, и будут прочитаны только они. Также можно добавить несколько PDF и скачать по одному текстовому файлу на каждый одним архивом .zip. Одни и те же параметры и диапазон страниц применяются ко всем файлам.
Есть ли ограничение на размер PDF?
Можно открыть PDF до 150 МБ и за один раз прочитать до 3000 страниц. Страницы обрабатываются по одной, с индикатором прогресса и кнопкой «Отмена», поэтому файл на 200 страниц не заморозит вкладку. PDF с паролем запрашивает пароль, и он используется только для открытия файла на вашем устройстве.