tigtools

PDF в текст

Выберите PDF и получите его текст в виде обычного текста, с необязательными заголовками страниц, готовый к копированию или сохранению. Извлечение выполняется в вашем браузере с помощью pdf.js.

Работает в браузере Без регистрации

или перетащите файл сюда. Файл останется на вашем устройстве.

Как пользоваться

  1. Выберите или перетащите PDF-файл.
  2. Укажите, нужно ли перед каждой страницей добавлять заголовок вида «--- Страница 3 ---».
  3. Нажмите «Извлечь текст» и дождитесь чтения всех страниц.
  4. Скопируйте текст или скачайте его как файл .txt в кодировке UTF-8.

Как это работает

PDF-файлы, созданные в текстовом редакторе, на веб-сайте или в большинстве других программ, содержат текстовый слой: символы и их позиции. Инструмент считывает этот слой страница за страницей с помощью pdf.js и преобразует его в строки обычного текста. Шрифты, размеры, цвета, изображения и таблицы не сохраняются; содержимое ячеек таблицы выводится как текст, разделённый пробелами или переносами строк.

Порядок чтения соответствует порядку, сохранённому в PDF, который обычно совпадает с визуальным порядком. Многоколоночные макеты, сноски и текстовые блоки могут извлекаться в неожиданной последовательности, а слова, перенесённые на концах строк, остаются разделёнными.

Отсканированные документы и фотографии, сохранённые в формате PDF, содержат только изображения текста и не имеют текстового слоя, поэтому извлечь из них ничего нельзя. Инструмент определяет такие файлы и направляет вас к инструменту OCR (оптическое распознавание символов), который читает текст с изображений. В некоторых PDF используются шрифты без корректной карты символов; такой текст может извлекаться в виде нечитаемых символов.

PDF-файлы, для открытия которых нужен пароль, прочитать нельзя. PDF-файлы только с ограничением на копирование читаются, поэтому соблюдайте права владельца документа.

Примеры

Цитирование отчёта

Извлеките текст 40-страничного PDF-отчёта, найдите нужный фрагмент в текстовом поле и скопируйте абзац, не мучаясь с выделением текста в просмотрщике PDF.

Отсканированное письмо

Отсканированное в PDF письмо не содержит текста. Инструмент сообщит об этом и предложит перейти к инструменту OCR, который может распознать текст с изображения страницы.

Часто задаваемые вопросы

Почему в моём PDF не найден текст?

Скорее всего, PDF содержит отсканированные изображения, а не текст. Распознайте текст, прогнав страницы через OCR.

Почему слова или строки идут в неправильном порядке?

Инструмент использует порядок, в котором текст сохранён в файле. Некоторые программы сохраняют колонки, заголовки или текстовые блоки не в том порядке, в котором они отображаются.

Почему текст содержит странные символы?

В некоторых PDF используются шрифты без информации о том, какой символ соответствует каждому глифу. Видимые буквы невозможно сопоставить с текстом; для таких файлов единственный вариант — OCR.

Сохраняется ли форматирование, например жирный шрифт или таблицы?

Нет. Результат — обычный текст с переносами строк. Ячейки и столбцы таблиц преобразуются в текст, размещённый на отдельных строках.

Конфиденциальность

PDF открывается и читается в вашем браузере с помощью pdf.js. Файл и извлечённый текст не загружаются, не сохраняются и не используются в аналитике; учитывается только анонимное событие использования инструмента.