PDF в текст: извлечение простого текста из любого PDF

Зачем превращать PDF в обычный текст?

PDF создан для того, чтобы везде выглядеть одинаково, а не для повторного использования. Попробуйте скопировать длинный отчёт из программы просмотра — и, скорее всего, получите разорванные строки, слова, разрезанные переносами пополам, номера страниц посреди предложений и две колонки, перемешанные в бессмыслицу. Простой файл .txt — полная противоположность: ни шрифтов, ни вёрстки, только символы, которые прочитает любой редактор, скрипт, поисковый индекс или чат-бот.

К конвертеру PDF в текст обращаются, когда нужно процитировать отрывок, загрузить договор в систему перевода, вставить научную статью в приложение для заметок, посчитать слова в рукописи, прогнать grep по стопке счетов или передать языковой модели содержимое документа без лишнего шума. Текст занимает мало места, открывается мгновенно и подходит программам, которые никогда не научатся понимать PDF.

Как этот конвертер PDF в текст читает ваш файл

Конвертер не просто выгружает символы в том порядке, в каком они случайно оказались сохранены внутри PDF, — а порядок там часто хаотичный. Он смотрит, где именно каждый фрагмент текста расположен на странице, и восстанавливает строки по их реальным позициям. Затем он ищет пустую вертикальную полосу между колонками. Если страница набрана в две или три колонки, как журнальная статья или новостная рассылка, левая колонка дочитывается до конца раньше правой, а заголовки на всю ширину остаются на своём месте. (Исключение — стиль «Keep layout»: он воспроизводит страницу такой, как она выглядит, поэтому колонки остаются рядом.)

Некоторые PDF рисуют жирный текст, печатая одно и то же слово дважды с небольшим сдвигом. Такие дубликаты отбрасываются, и вы не получите «ЗаголовокЗаголовок». Страницы, на которых текст идёт боком, например альбомная таблица, повёрнутая на портретную страницу, разворачиваются так, чтобы основное направление чтения стало горизонтальным.

Три стиля текста за один проход

• «Plain text» (обычный текст, рекомендуется): строки объединяются в настоящие абзацы, которые свободно переносятся в любом редакторе. Слово, разорванное на две строки, например «при-» и «мер», снова становится «пример». Если разделители страниц выключены, предложение, продолжающееся на следующей странице, тоже сшивается обратно.
• «Line by line» (построчно): сохраняется каждый перенос строки из PDF. Удобно для стихов, листингов кода, адресов и всего, где важна каждая строка.
• «Keep layout» (сохранить вёрстку): текст дополняется пробелами так, чтобы в моноширинном шрифте колонки таблиц и поля форм оставались выровненными.

Все три стиля формируются из одного и того же прочтения файла, поэтому переключение между ними в предпросмотре происходит мгновенно, и PDF не обрабатывается заново. Правда, при переключении теряются правки, которые вы внесли в предпросмотре, так что сначала выберите стиль. Строки, похожие на таблицу, в первых двух стилях разделяют ячейки символами табуляции, и вставлять их в электронную таблицу очень легко.

Сканированные PDF и OCR

Скан — это картинка страницы, и извлекать из него нечего. Когда вы открываете один PDF, окно настроек подсчитывает, на каких страницах есть выделяемый текст, и предупреждает, если некоторые выглядят как сканы. У параметра OCR три варианта. «Auto» распознаёт только страницы, где почти нет текста, но есть изображение. «Off» строго придерживается существующего текстового слоя. «Every page» игнорирует текстовый слой и распознаёт все страницы как изображения — это решение, когда скопированный текст превращается в абракадабру из-за сломанной кодировки шрифта.

OCR выполняется на вашем устройстве с помощью Tesseract. Выберите язык документа из более чем тридцати вариантов, включая румынский, немецкий, французский, испанский, русский, греческий, арабский, иврит, хинди, китайский, японский и корейский; английский всегда добавляется как запасной. Языковые данные скачиваются один раз (несколько мегабайт), и подключение к интернету нужно только в этот первый раз. После обработки в сводке показано, сколько страниц прочитано через OCR и какова средняя уверенность распознавания — быстрый способ понять, нужно ли перепроверять блёклый скан.

Параметры, о которых стоит знать

• «Pages» (страницы): для одного файла можно ввести диапазон вида 1-3, 8, 10-, чтобы извлечь только эти страницы. «10-» означает со страницы 10 до конца.
• «Page separators» (разделители страниц): перед каждой страницей вставляется строка вида «--- Page 3 ---»; пригодится, если потом нужно ссылаться на номера страниц.
• «Remove repeating headers, footers and page numbers» (убрать повторяющиеся колонтитулы и номера страниц): строки, которые повторяются вверху или внизу большинства страниц (название отчёта, «Страница 4 из 20», пометка о конфиденциальности), удаляются. Для сравнения нужно не меньше трёх страниц.
• «Hyphen joining» (склейка переносов): по умолчанию включено для обычного текста; выключите, если в документе на концах строк стоят настоящие слова через дефис, которые должны остаться разделёнными.
• «Line endings and BOM» (концы строк и BOM): выберите LF или CRLF и добавьте маркер порядка байтов UTF-8, если старая программа для Windows показывает буквы с диакритикой странными символами.

Ваш выбор запоминается в этом браузере до следующего визита.

Несколько PDF за один раз

Добавляйте до 20 файлов разом. Каждый PDF превращается в отдельный файл .txt с именем оригинала, так что minutes.pdf становится minutes.txt; к двум файлам с одинаковым именем добавляется номер. В окне результата переключатель файлов позволяет просмотреть каждый текст отдельно, а кнопка «Download all (ZIP)» (скачать всё в ZIP) упаковывает все .txt в один архив. Поле диапазона страниц предлагается только при конвертации одного PDF; в пакете читаются все страницы каждого файла.

Проверка и редактирование результата

Текст появляется в большом поле с живым подсчётом страниц, слов и символов. Прямо там можно исправить неверно распознанную фамилию, удалить оговорку об ответственности или подправить заголовок, а затем скопировать всё в буфер обмена или скачать. Очень длинные документы показывают первые два миллиона символов в предпросмотре только для чтения, но копирование и скачивание всегда включают полный текст.

Частые проблемы и быстрые решения

• «No text found» (текст не найден): вероятно, страницы — это сканы, а OCR выключен, либо текст нарисован векторными фигурами. В сообщении есть кнопка, которая запускает файл заново уже с OCR.
• PDF с паролем: введите пароль, когда его спросят, или пропустите этот файл и продолжите с остальными.
• Повреждённый файл: нечитаемые страницы пропускаются и учитываются в примечании под текстом, а не останавливают весь документ.
• На телефоне не хватает памяти: конвертируйте меньший диапазон страниц. OCR отрисовывает страницы примерно в 250 DPI, но ограничивает размер изображения, чтобы мобильным браузерам было легче.
• Рукописный текст: OCR рассчитан на печатный текст; рукописные заметки редко распознаются в пригодном виде.

Ваш PDF никогда не покидает страницу

Чтение, определение колонок и OCR выполняются на JavaScript и WebAssembly внутри вкладки вашего браузера. PDF никуда не отправляется, поэтому на сервере не лежит копия, ожидающая удаления. Когда вы закрываете вкладку, файл и извлечённый текст исчезают. Это бесплатно, не требует учётной записи или электронной почты и ничего не добавляет к вашему тексту.