Извлечь текст из PDF
Оставьте от PDF только слова: без шрифтов, изображений и верстки, просто файл .txt, по которому можно искать, который можно вставить, сравнить, передать скрипту или загрузить в программу для перевода. Сканированные страницы сначала распознаются с помощью OCR.
Конвертер PDF
или перетащите сюда файлы PDF ·
Макс. 95 MB на файл· До 20 файлов· Удаляются через 30 минут
Файлы обрабатываются на наших серверах и удаляются через 30 минут.
Отсканированные PDF — это изображения страниц. «Авто» запускает OCR только для страниц без текстового слоя; «Всегда» — для каждой страницы.
Язык текста на скане. Правильный выбор заметно повышает точность для букв с диакритикой и нелатинских алфавитов.
«Сплошной текст» собирает содержимое в обычные абзацы, которые легко править. «Точный макет» размещает каждый блок на прежнем месте: выглядит так же, но править сложнее.
Куда помещаются найденные таблицы в книге Excel.
Номера страниц или диапазоны через запятую, например 1-3, 5, 8-10.
Как пользоваться инструментом
- 1
Перетащите PDF
Загрузите один PDF или до 20 файлов, каждый до 95 MB. Смешанные файлы с печатными и отсканированными страницами обрабатываются постранично.
- 2
При желании сузьте выбор
Формат «Простой текст» уже выбран в поле Преобразовать в. Чтобы извлечь только нужную главу или приложение, укажите их в поле Страницы для преобразования в разделе Расширенные настройки.
- 3
Скачайте файл .txt
Нажмите Конвертировать в Простой текст. Файл сохраняется в кодировке UTF-8, поэтому буквы с диакритикой и нелатинские алфавиты корректно отображаются в любом современном редакторе.
Как лучше всего извлечь текст из PDF?
Преобразуйте его в обычный файл .txt. Вы получите все слова в порядке чтения, абзацы разделены пустыми строками, и больше ничего — файл готов для любого редактора или программы.
Что сохраняется и что удаляется при извлечении текста из PDF
Конвертер обходит каждую страницу в порядке чтения, сверху вниз и колонка за колонкой, и записывает найденные символы. Строки одного абзаца объединяются, абзацы разделяются пустой строкой. Текст каждой страницы продолжает текст предыдущей, поэтому глава читается как единый фрагмент.
Всё визуальное отбрасывается: шрифты, размеры, цвета, изображения, диаграммы и расположение текста на странице. В этом и смысл. Отчёт на 10 MB, полный фотографий, обычно превращается в текстовый файл в несколько сотен килобайт, в котором проще искать, сравнивать версии с помощью diff или вставлять текст в сервис перевода или анализа.
Пользователи командной строки могут знать pdftotext из проектов Poppler и Xpdf, который выполняет похожую задачу для цифровых PDF. Отличие здесь в OCR: страницы без текстового слоя распознаются на выбранном вами языке, а не получаются пустыми. Если изображения вообще не в PDF, используйте изображение в текст.
Простой текст, Markdown или Word: какой формат выбрать
Простой текст
Только слова, UTF-8.
- Самый маленький файл
- Открывается в любой программе
- Без заголовков и форматирования
Markdown
Текст с лёгкой разметкой.
- Заголовки отмечены символом #
- Списки и жирный шрифт сохраняются
- Остаётся текстовым файлом
Документ Word
Полностью редактируемая вёрстка.
- Таблицы и изображения сохраняются
- Стили сохраняются
- Нужен текстовый редактор
Почему текстовый файл такой маленький
1 байтна английскую букву, цифру или пробел в текстовом файле UTF-8
Документ PDF (Portable Document Format)
PDF создан Adobe в 1993 году и в 2008 году стал открытым стандартом ISO 32000. Он фиксирует текст, шрифты, изображения и вёрстку, поэтому документ выглядит одинаково на любом экране и принтере. PDF может содержать формы, подписи, ссылки, вложения и текст с возможностью поиска, а вариант PDF/A используется для долговременного архивирования. Из-за фиксированной вёрстки PDF трудно редактировать, а отсканированные PDF содержат только изображения, если не применить OCR. Их открывает любой браузер и любая операционная система.
- Сжатие
- –
- Прозрачность
- Да
- Анимация
- Нет
- Год появления
- 1993 · Adobe
TXT
Обычный текст
Файл TXT содержит только простые символы без форматирования, шрифтов, изображений и вёрстки. Современные текстовые файлы обычно хранятся в кодировке UTF-8, которая охватывает все языки, хотя старые файлы могут использовать другие кодировки и показывать нечитаемые символы. Обычный текст весит очень мало, никогда не устаревает и открывается на любом устройстве — от телефонов до серверов. В нём не может быть полужирного текста, таблиц или картинок, поэтому структуру приходится передавать отступами или простой разметкой.
- Сжатие
- –
- Прозрачность
- –
- Анимация
- –
- Год появления
- –
Простой текст извлекают из PDF, когда нужны только слова: для поиска, цитирования, перевода, очистки данных или передачи в другую программу, а оформление только мешает.
Вопросы об извлечении текста из PDF
Почему нельзя просто скопировать текст из PDF?
Для абзаца-двух можно, но при копировании из программы просмотра PDF слова часто разрываются на концах строк, колонки перемешиваются, колонтитулы попадают в середину предложений, а на отсканированных страницах копирование не работает вовсе. Извлечение читает весь файл в порядке чтения и запускает OCR там, где нет текстового слоя.
В какой кодировке текстовый файл?
UTF-8 — кодировка, которую по умолчанию используют интернет и большинство программ. Блокнот Windows сохраняет новые файлы в UTF-8 по умолчанию начиная с Windows 10 версии 1903, а macOS TextEdit, VS Code и все браузеры читают её без дополнительных вопросов. Если старая программа показывает странные символы, поищите в параметрах импорта выбор кодировки UTF-8.
TXT — это то же самое, что инструмент «PDF в TXT»?
Результат одинаков: файл .txt. Эта страница посвящена извлечению текста для дальнейшего использования, а PDF в TXT — то же преобразование под названием с расширением файла, по которому его тоже ищут.
Что происходит с таблицами?
Ячейки таблиц записываются в порядке чтения и разделяются табуляцией, поэтому таблица довольно неплохо вставляется в электронную таблицу. Если вы конвертируете файл именно из-за таблиц, PDF в Excel сохранит строки и столбцы в настоящих ячейках.
Можно ли получить текст с размеченными заголовками?
В простом тексте нельзя отметить заголовок. Выберите Markdown в поле Преобразовать в, если нужны заголовки, списки и жирный текст, размеченные простыми символами, при этом файл останется текстовым.
Распознается ли рукописный текст при извлечении из скана?
OCR рассчитан на печатный текст. Аккуратные печатные заглавные буквы часто распознаются, но курсивный рукописный текст ненадёжен. Лучший результат дают печатные или машинописные сканы с разрешением 300 dpi.
| PDF в Markdown | PDF в Word | PDF в EPUB |
| TXT в PDF | Изображение в текст | HTML в TXT |
