Filespry

Извлечение текста из PDF

Достаньте текст из PDF, чтобы скопировать его, искать по нему или использовать повторно. Всё работает в браузере, файл не загружается. Инструмент читает только настоящий текст: сканы не поддерживаются, потому что распознавания (OCR) здесь нет.

Ваши файлы обрабатываются в браузере и не загружаются на сервер.

Как пользоваться

  1. Выберите PDF или перетащите его в рамку.
  2. Отметьте нужные параметры: убрать повторяющиеся колонтитулы, склеить переносы, отметить номера страниц.
  3. Нажмите «Извлечь текст» и подождите, пока страницы прочитаются.
  4. Скопируйте текст или скачайте его как файл .txt. Перед этим его можно поправить в поле.

Чего ожидать при извлечении текста из PDF

Во многих PDF текст хранится как настоящие символы с координатами на странице. Извлечение считывает эти символы и по расстояниям между ними восстанавливает строки и абзацы. Для отчётов, статей и договоров, выгруженных из текстового редактора, это работает хорошо, а для сканов плохо: в них только картинки.

В PDF нет настоящей структуры абзацев, поэтому инструмент угадывает её. Близко расположенные строки он склеивает, а при большом интервале начинает новый абзац. Маркированные списки сохраняются отдельными строками. Слабое место это колонки и таблицы, ведь страница читается построчно по всей ширине.

После извлечения просмотрите результат, найдите странные разрывы и исправьте их в поле, где также показано число слов и символов. Если на каждой странице есть колонтитулы или номера, оставьте очистку включённой. Для скана используйте программу с OCR, а затем при желании вернитесь сюда с распознанным PDF. Помните и об ограничениях: таблицы, формулы и сложная вёрстка могут потерять форму, а специальные шрифты иногда дают странные символы, поэтому важные цитаты и цифры лучше сверить с исходным документом.

Частые вопросы

Почему появляется сообщение, что текста нет?

Скорее всего, PDF является сканом или набором сфотографированных страниц. В таких файлах хранятся картинки букв, а не настоящий текст, а в этом инструменте нет OCR (распознавания текста), поэтому извлекать нечего. PDF, экспортированный из текстового редактора, обычно читается нормально.

Почему порядок текста перепутан?

Инструмент читает текст в том порядке, в каком он расположен на странице. При нескольких колонках, таблицах, врезках или текстовых блоках строки из разных областей могут перемешиваться. Лучше всего получаются короткие документы в одну колонку. Остальное можно поправить в редактируемом поле.

Что делают параметры очистки?

Удаление повторяющихся колонтитулов убирает строки, которые встречаются вверху или внизу как минимум половины страниц, например заголовки и номера. Склейка переносов соединяет слово, разорванное дефисом в конце строки. Отметка страниц добавляет метку перед каждой страницей.

Мой PDF загружается на сервер?

Нет. Текст извлекается в вашем браузере, и файл не покидает устройство. PDF, защищённые паролем, здесь открыть нельзя, а очень длинные документы зависят от объёма памяти вашего устройства.

Похожие инструменты

  • PDF в JPG

    Сохранить страницы PDF как JPG или PNG

    Новое
  • Счётчик слов

    Подсчёт слов, символов, предложений и времени чтения

  • Редактировать PDF

    Добавить в PDF текст, изображения, фигуры и подписи

    Новое
  • Разделить PDF

    Нарезать PDF по диапазонам или на одиночные страницы