Как извлечь текст из PDF

Извлечение читает то, что в документе уже записано буквами: команды показать такой-то символ таким-то шрифтом. Такой текст достаётся мгновенно и точно — это не угадывание, а чтение. Но если страница представляет собой картинку, извлекать нечего: у скана нет текстового слоя, и никакая кнопка его не создаст. Всё считается в браузере, документ на сервер не отправляется.

Локально в браузередо 1 ГБбез регистрации

Коротко о цифрах

Где обрабатывается: в браузере, файл не уходит на сервер
Что читается: существующий текстовый слой, изображения не распознаются
Переносы строк: берутся из признака конца строки движка PDF
Нормализация: лигатуры раскладываются, составные буквы склеиваются
Нечитаемая страница: пропускается, её номер выводится списком

Извлечение и распознавание — разные операции

Извлечение — это чтение уже существующих данных. В PDF, сделанном из Word или выгруженном из учётной системы, каждая надпись хранится как последовательность кодов символов со ссылкой на шрифт. Инструмент проходит по странице, собирает эти коды и склеивает в текст. Ошибиться здесь почти невозможно: буквы не угадываются, а берутся готовыми.

Распознавание — это построение текста по изображению. Программа смотрит на пиксели, находит контуры, похожие на буквы, и предполагает, какие именно это символы. Отсюда классические ошибки: «О» вместо нуля, «ll» вместо «п», склеенные слова. Это отдельная технология, она требует модели языка и всегда даёт процент ошибок. У нас её нет, и мы не выдаём одно за другое.

Практический вывод простой: если в просмотрщике текст выделяется мышью, извлечение сработает. Если выделение обводит всю страницу одним прямоугольником — перед вами картинка.

Что делает инструмент с найденным текстом

Переносы строк берутся из признака конца строки, который отдаёт сам движок PDF: страница не схлопывается в одну длинную строку.
Страницы разделяются пустой строкой, поэтому границы листов видно и после сохранения.
Текст нормализуется: типографские лигатуры вроде «ﬁ» раскладываются в обычные буквы, а казахские ә, ө, ұ, если генератор записал их буквой плюс отдельным знаком, склеиваются в один символ — иначе поиск по слову не находил бы его.
Страница, которую движок не смог прочитать, не отменяет остальные: её номер показывается отдельно, а текст остальных страниц вы получаете полностью.
Если текста не нашлось нигде, вы увидите прямое сообщение об отсутствующем текстовом слое, а не пустое окно без объяснений.

Почему извлечённый текст иногда выходит мусором

Внутри PDF символ хранится не буквой, а номером глифа в шрифте. Чтобы номер можно было превратить обратно в букву, в файл кладётся таблица соответствия. Некоторые генераторы её не кладут — особенно при внедрении части шрифта, — и тогда страница отлично выглядит, но копируется абракадаброй: коды есть, а расшифровки к ним нет.

Проверить это можно за секунду: откройте PDF в любом просмотрщике, выделите абзац, скопируйте и вставьте в текстовое поле. Что вставилось, то и извлечётся — ни один инструмент не восстановит соответствие, которого нет в файле. Выход один: попросить исходный документ или распознать страницу как изображение.

Порядок работы

Проверьте в просмотрщике, выделяется ли текст мышью.
Откройте инструмент извлечения текста и загрузите PDF — обработка пойдёт во вкладке.
Дождитесь прохода по страницам: прогресс считается постранично.
Просмотрите результат в окне и обратите внимание на список пропущенных страниц, если он появился.
Скачайте .txt или скопируйте нужный фрагмент прямо из окна.

Частые вопросы

Чем извлечение отличается от распознавания?

Извлечение читает коды символов, уже записанные в файле, и потому не ошибается. Распознавание строит текст по картинке и всегда даёт процент ошибок. У нас первое; для скана нужно второе, и мы честно об этом сообщаем.

Почему в списке оказалась пропущена одна страница?

На ней движок не смог прочитать содержимое: сломан поток данных или не подгрузилась таблица шрифта. Раньше такая страница обрывала всю работу, теперь остальные страницы извлекаются полностью, а номер проблемной показывается отдельно.

Почему казахские буквы иногда ломают поиск по тексту?

Некоторые генераторы записывают ә или ө как обычную букву плюс отдельный диакритический знак. Визуально это та же буква, но кодов два, и поиск по слову её не находит. Мы приводим такие пары к единому символу при извлечении.

Сохранится ли структура: таблицы, колонки, заголовки?

Нет, на выходе плоский текст. Колонки и ячейки в PDF существуют только как координаты, поэтому в текстовом файле они превращаются в обычные строки. Для сохранения структуры нужен другой формат вывода.