PDF в текст

Как работает извлечение текста

PDF хранит текст как позиционированные инструкции рисования, а не как документ. Этот инструмент считывает эти инструкции через PDF.js в порядке чтения и записывает их как обычный текст, с отдельным чётко отмеченным разделом для каждой страницы. Проходит всё, что документ содержит как настоящий текст: заголовки, абзацы, ячейки таблиц, сноски.

На выходе получается обычный текст UTF-8 — удобный формат для всего дальнейшего: вставить в переводчик, скормить поисковому индексу, сравнить две версии договора или дать редактору материал, не требующий просмотрщика PDF.

Полезная привычка: сначала извлеките текст, затем поищите в нём ключевое слово, прежде чем читать девяносто страниц. Маркеры страниц в результате точно скажут, какую страницу открыть.

Ограничения и честные замечания

У отсканированных страниц нет текстового слоя, поэтому они выходят пустыми. Это не ошибка: слова находятся в изображении. Прогоните такие страницы через инструмент OCR, который читает пиксели.

Сложные макеты (многоколоночные журналы, таблицы на несколько страниц) извлекаются в порядке чтения по мере возможности, и их может потребоваться слегка почистить. Текст, нарисованный кривыми или контурами, не извлечёт ни один инструмент.

До 20 файлов по 25 МБ за раз. Извлечение происходит в этой вкладке; ничего не загружается.

Частые вопросы

Приватность по дизайну

Остаётся на вашем устройстве. Ничего не загружается. Конвертация выполняется в вашем браузере: откройте вкладку «Сеть» во время конвертации и убедитесь, что ничего не отправляется. Без аккаунта, без водяного знака, без дневного лимита.