Конвертация PDF в текст даёт только слова, без вёрстки, шрифтов и картинок, в файле .txt, который открывается везде. Это самый быстрый способ искать по длинному документу, цитировать его или передать в другую программу. Здесь всё работает в браузере, поэтому документы никуда не загружаются.
Извлечь текст из нескольких PDF
Добавьте целую папку отчётов, статей или выписок. Каждый PDF станет файлом .txt с тем же именем, и все они сохранятся вместе в ZIP. Текст идёт в порядке чтения каждой страницы, страница за страницей, в UTF-8, так что диакритика и нелатинские алфавиты передаются правильно.
Сканам нужно распознавание
Этот инструмент читает текст, который хранится внутри PDF. В скане или фото, сохранённом как PDF, есть только изображения букв, поэтому результат будет пустым. Быстрая проверка: если в программе просмотра не выделяется ни одно слово, воспользуйтесь распознаванием текста в PDF: оно распознает буквы и тоже даст текстовый файл.
Почему из некоторых PDF не копируется текст
При копировании из программы просмотра PDF строки часто рвутся посреди предложений, колонки перемешиваются, а в текст попадают колонтитулы и номера страниц. Некоторые PDF запрещают копирование паролем ограничений; их можно сначала открыть через Разблокировать PDF. А в некоторых файлах буквы нарисованы шрифтами без нормальной таблицы символов, и извлечённый текст выглядит как абракадабра; распознавание текста в таком файле даёт читаемый результат.
Как это работает
Текст извлекается движком MuPDF, который работает в браузере. Он читает символы, хранящиеся на каждой странице, вместе с их положением, расставляет их в порядке чтения и записывает простым текстом. В первый раз движок (около 39 МБ) скачивается и сохраняется в браузере. Ваши файлы никуда не отправляются.
Для чего это нужно и когда не сработает
Поиск и цитирование в длинных отчётах, сбор текста для исследований и заметок, вставка договора в письмо, загрузка документов в переводчик или ИИ-инструмент и архивы в простом тексте.
- Форматирование не сохраняется: ни жирного, ни таблиц, ни картинок. Для этого воспользуйтесь PDF в Word.
- Сканы не дают текста без распознавания.
- Сложная вёрстка, например таблицы и страницы в несколько колонок, может выйти в неожиданном порядке.