Извлечение текста из PDF

Инструмент Извлечение текста из PDF превращает PDF обратно в чистый обычный текст для копирования — ничего не загружая. Откройте файл, и инструмент прочитает текстовый слой за каждой страницей, восстановит каждую строку по положению глифов и отдаст текст, которым действительно можно пользоваться: двухколоночные страницы выходят колонку за колонкой, а не вперемешку; бегущие заголовки и номера страниц, которые повторяются на каждой странице, убираются; слова, разорванные дефисом переноса в конце строки, склеиваются; жёстко перенесённые строки собираются в настоящие абзацы. Нужны исходные интервалы? Переключитесь в Сохранить вёрстку для таблиц, счетов и чеков или в Исходный порядок, чтобы увидеть ровно то, что хранит файл. Всё происходит в браузере, поэтому договоры, выписки, статьи и рукописи никогда не покидают ваше устройство.

Как извлечь текст из PDF

1. Откройте PDF. Перетащите файл в область сброса или нажмите Выбрать файлы PDF. Он читается на вашем устройстве и никогда не загружается. Спешите? Нажмите Попробовать образец двухколоночной страницы, чтобы сразу увидеть, как работает инструмент.
2. Выберите стиль извлечения. Умный поток восстанавливает абзацы и порядок чтения, Сохранить вёрстку воспроизводит интервалы на странице, а Исходный порядок показывает нетронутое извлечение.
3. Очистите результат. Оставьте включёнными Удалять повторяющиеся колонтитулы, Склеивать слова с переносами и Определять колонки и введите диапазон вроде 1-5, 12 в поле Страницы, если нужна только часть документа.
4. Скопируйте или скачайте. Просмотрите результат, затем нажмите Копировать весь текст или скачайте его как файл .txt или Markdown.

Какой стиль извлечения выбрать?

Чем этот инструмент извлечения текста из PDF отличается

Типичные задачи

Процитировать научную статью, не перепечатывая её; перенести текст договора или аренды в документ для правок; вытащить позиции из счёта или выписки; подать отчёт в переводчик, суммаризатор или приложение для заметок; восстановить слова электронной книги или руководства для поиска; подготовить чистый корпус для анализа; или просто получить длинный PDF в виде, с которым удобно работать экранному диктору, редактору или телефону.

Как работает извлечение

Почти каждый PDF, созданный в цифровом виде, хранит невидимый текстовый слой за видимой страницей: те же символы, которые можно выделить в программе просмотра, каждый с точной позицией, где он рисуется. Этот инструмент читает этот слой и затем восстанавливает структуру по геометрии. Символы на одной базовой линии становятся строкой. Горизонтальный охват каждой строки измеряется по странице, а вертикальная полоса, которую не пересекает ни одна строка, считается промежутком многоколоночной вёрстки и задаёт порядок чтения. Строки на всю ширину — заголовки, подписи к рисункам, линейки — делят страницу на колоночные области и остаются на месте. Наконец, типичный межстрочный интервал и правый край основного текста показывают, где абзац действительно заканчивается, поэтому строки соединяются только тогда, когда текст действительно продолжается.

Как рассчитывается процент текстового покрытия

Показатель Текстовое покрытие — это доля страниц PDF, на которых есть читаемый текст. Инструмент считает страницы, где извлечена хотя бы одна строка текста, делит это число на общее количество страниц и округляет результат до целого процента. Значение 100% означает, что на каждой странице есть текстовый слой; меньшее значение означает, что некоторые страницы, обычно отсканированные изображения, не содержали текста для извлечения. Показатель отражает, какая часть документа была читаемой, а не насколько точно распознаны слова.

Когда извлечение невозможно

Отсканированный документ — это фотография страницы. У него нет текстового слоя, поэтому извлекать нечего, и любой инструмент, который утверждает обратное, просто угадывает. Этот экстрактор распознаёт такой случай и сообщает об этом, вместо того чтобы отдать пустой файл; чтобы получить текст со скана, сначала нужен OCR (оптическое распознавание символов). Зашифрованные PDF тоже нельзя открыть, пока защита не снята. А поскольку PDF описывает инструкции рисования, а не структуру документа, некоторые вещи по природе приблизительны: сильно оформленные страницы, боковые колонки, сноски, математическая запись и текст, нарисованный как векторная графика, могут выйти в порядке, который захочется поправить вручную. Переключение между тремя стилями обычно самый быстрый способ получить наиболее чистую отправную точку.