PDF в текст

Если текст отображается искажённым

Иногда при извлечении получается текст, но он оказывается неправильным: со случайными символами, прямоугольниками или буквами, смещёнными по алфавиту. Это происходит, когда шрифты PDF не содержат соответствий между глифами и настоящими символами; некоторые программы для дизайна и печати не добавляют такие соответствия. Страница выглядит правильно, потому что программа рисует формы, но расположенные под ними символы не соответствуют показанным буквам. Считайте такой файл сканом и обработайте его инструментом распознавания сканированного PDF в текст.

Менее заметные странности обычно объясняются проще: fi и fl объединены в один символ лигатуры или слово разделено на две части, потому что PDF размещает каждую букву отдельно.

Приведение извлечённого текста в порядок

Напечатанные строки извлекаются как отдельные строки: в абзаце появляется перенос после каждых нескольких слов, а слова, разделённые переносом в конце строки, остаются разбитыми. Колонтитулы, нижние колонтитулы и номера страниц повторяются среди основного текста на каждой странице. Удалите их перед цитированием или повторным использованием текста, а номера страниц — если текст нужно объединить в один фрагмент.

Чтобы подсчитать слова или символы в документе, вставьте очищенный текст в счётчик слов: при подсчёте исходного результата учитываются все колонтитулы и подписи.

Как пользоваться

1. Выберите PDF.
2. Извлеките текст.
3. Скопируйте его или скачайте файл .txt.

Конфиденциальность и ограничения

Файл открывается и обрабатывается в вашем браузере и никогда не загружается на сервер. Это особенно важно, если в документе находится договор, скан или другая информация, которую вы не стали бы передавать незнакомому человеку. В отсканированном PDF нет текста для извлечения: такой файл будет обозначен соответствующим образом, а не возвращён как пустой.