Как пользоваться: PDF в текст
- 1
Откройте PDF
Перетащите PDF размером до 50 MB в рамку или нажмите на неё и выберите файл. Если файл защищён паролем, сначала появится запрос на ввод пароля.
- 2
Выберите структуру текста
«Абзацы» дают чистый сплошной текст для чтения и вставки. «Как на странице» сохраняет каждую печатную строку и выравнивает колонки таблиц пробелами.
- 3
Укажите страницы и OCR
Извлеките все страницы или диапазон, например 2-5, 9. Если часть страниц — сканы без текстового слоя, нажмите «Включить OCR» и выберите язык.
- 4
Скопируйте или скачайте
Нажмите «Извлечь текст», проверьте результат в поле, затем скопируйте его в буфер обмена или сохраните в файл .txt в кодировке UTF-8.
Лимиты и Pro
Один PDF размером до 50 MB и до 200 страниц за раз, включая OCR.
Pro открывает PDF размером до 4 GB и обрабатывает до 5 000 страниц за один раз. Смотреть Pro
О инструменте «PDF в текст»
Инструмент считывает текстовый слой, который есть в большинстве PDF, — те самые символы, которые можно выделить в программе для просмотра, — и выстраивает их в том порядке, в каком текст читает человек. При копировании прямо из программы просмотра две колонки статьи часто перемешиваются строка за строкой, каждое предложение обрывается в конце печатной строки, а внутри слов остаются переносы. Здесь страницы сначала делятся на колонки и блоки, строки склеиваются в абзацы, слова, разорванные переносом, собираются заново, маркеры и номера остаются в начале пунктов списка, а таблица превращается в строки с табуляцией между ячейками, поэтому её можно вставить в электронную таблицу. Одинокий номер страницы на верхнем или нижнем поле пропускается, так же как повёрнутый и вертикальный текст, например диагональный водяной знак «DRAFT».
Режим «Как на странице» работает наоборот: каждая строка остаётся там, где была напечатана, а пробелы удерживают на месте колонки формы, счёта или банковской выписки.
У сканов нет текстового слоя, есть только изображение бумаги. Если включить OCR, именно эти страницы распознаёт движок Tesseract прямо в браузере, на одном из 47 языков. Обычно инструмент нужен, чтобы процитировать отчёт, отправить договор в переводчик или счётчик слов и достать цифры из выписки. Шрифты, цвета, изображения и ссылки в результат не попадают; если они нужны, лучше конвертировать PDF в Word.
Конфиденциальность
PDF.js разбирает документ в Web Worker на вашем устройстве, а второй worker собирает строки в абзацы; сам PDF и его текст никуда не загружаются. Только если вы включите OCR, страница один раз скачает движок Tesseract и один языковой файл с CDN jsDelivr, и эти загрузки не содержат ничего из вашего документа.
Возможности
Колонки по порядку
Макеты с двумя и тремя колонками читаются колонка за колонкой, а не строками поперёк страницы.
Настоящие абзацы
Строки склеиваются, а слова, разорванные переносом, собираются обратно.
Таблицы для вставки
Строки таблиц идут через табуляцию и готовы для электронной таблицы, а в режиме «Как на странице» выровнены пробелами.
OCR для сканов
Страницы без текстового слоя распознаются через Tesseract на 47 языках прямо на вашем устройстве.