PDF в текст

Как извлечь текст из PDF за три шага

1. Выберите один PDF размером до 20 МиБ и дождитесь проверки количества страниц и поддерживаемого профиля. Зашифрованные документы и XFA не поддерживаются.
2. Выберите все страницы или укажите физические номера и диапазоны, например 1,3-5. Можно выбрать не более 200 страниц; повторяющиеся страницы извлекаются один раз в порядке документа.
3. Нажмите «Извлечь текст». Проверьте текст отдельных страниц, затем выберите «Копировать весь текст» или «Скачать TXT» для всего текущего выбора.

Что представляет собой извлечённый текст

Инструмент читает существующий текстовый слой PDF, а не пиксели скана. Сопоставления шрифтов, исходные пробелы и порядок текста влияют на результат; он может отличаться от видимой страницы.

Текстовые элементы сохраняются в порядке, возвращённом движком. Признак конца строки добавляет перевод строки. Между выбранными страницами вставляются перевод строки, символ разрыва страницы и ещё один перевод строки.

Движок нормализует некоторые символы совместимости и пробельные знаки. Инструмент не восстанавливает колонки или таблицы, не соединяет разорванные слова и не гарантирует исходную последовательность Unicode.

Предпросмотр показывает по одной выбранной странице. Копирование всего текста и скачивание TXT включают весь выбор с разделителями страниц в UTF-8 без добавления маркера порядка байтов.

Выбор страниц и пустые страницы

В пятистраничном документе запись 5,1,3-5 выбирает страницы 1,3,4,5 по одному разу в порядке документа. Напечатанные номера и метки в программе просмотра не меняют эти индексы.

Если на одной выбранной странице текст не извлечён, а на другой извлечён, место пустой страницы сохраняется в общем тексте с помощью разделителей страниц.

Если ни на одной выбранной странице не найдено текста кроме пробельных символов, инструмент сообщает «Текст не извлечён». Документ может быть сканом, пустым, содержать только глифы или не иметь пригодных сопоставлений текста; OCR автоматически не запускается.

Возможности и ограничения

Это извлечение текстового слоя, а не OCR и не преобразование с сохранением макета. Комментарии, интерактивные формы, вложения и порядок чтения по дереву структуры не гарантируются в тексте страниц.

В результат может попасть скрытый, обрезанный или закрытый текст. Извлечение не подтверждает надёжность замазывания, не удаляет конфиденциальные данные и не доказывает соответствие текста видимому содержимому. Проверьте результат.

PDF может содержать до 500 страниц, из них можно выбрать не более 200. Действуют ограничения на число текстовых элементов, объём текста на странице и в целом, а также время; при ошибке страницы или превышении лимита частичный экспорт недоступен.

Отдельный основной воркер поддерживает отмену, но планирование браузера и выделение памяти на системном уровне не дают жёстких гарантий времени или памяти. Превышение времени не доказывает, что PDF недействителен.

Локальная обработка документа

Инструмент не загружает документ на сервер, не сохраняет историю ввода и не помещает содержимое в URL. Он может загружать фиксированные вспомогательные файлы движка с того же источника. Копирование и скачивание TXT происходят только по вашему выбору; такая локальная обработка не служит гарантией для других сервисов сайта.