Зачем извлекать текст из PDF
Копирование текста из PDF-просмотрщика часто приводит к проблемам: строки обрываются посреди предложений, колонки перемешиваются, а выделять 50 страниц вручную утомительно. Этот инструмент считывает текст всего документа сразу и выдаёт чистый обычный текст. Он пригодится, чтобы вставить документ в письмо или переводчик, процитировать отчёт, передать текст в другую программу, посчитать слова или сохранить текстовую копию документа с возможностью поиска.
Три режима текста
- Строки: текст построчно, как на странице. Подходит для списков, адресов и коротких документов.
- Абзацы: связанные строки объединяются в абзацы, а слова с переносами в конце строк по возможности склеиваются. Лучше всего для статей, книг и отчётов, которые нужно вставить в текстовый редактор или переводчик.
- Макет: добавляются пробелы, чтобы сохранить расположение текста на странице, поэтому таблицы и колонки остаются примерно выровненными в моноширинном шрифте. Удобно для счетов, выписок и форм.
Предпросмотр обновляется при смене режима и показывает количество символов и слов.
Параметры файла
- Разделитель страниц: строка-маркер вида ----- Page 3 -----, пустая строка или символ разрыва страницы, который используют некоторые программы.
- Окончания строк: Windows (CRLF) для Блокнота и большинства программ Windows или Unix (LF) для macOS, Linux и редакторов кода.
- BOM: добавляет в начало файла метку, которая помогает старым программам Windows распознать текст в UTF-8 на таких языках, как китайский или русский.
- Отдельный файл для каждой страницы: каждая страница сохраняется в свой файл TXT, все файлы упакованы в один ZIP.
Сканированные PDF
Сканированный PDF содержит только изображения страниц, поэтому извлекать нечего. Инструмент находит страницы без текста и сообщает об этом. Одним щелчком можно отправить документ в OCR PDF: он распознает текст и может сразу вернуть его в виде файла TXT. Само извлечение текста выполняется в браузере и не загружает ваш файл, а OCR работает на нашем сервере.
Что нельзя сохранить в обычном тексте
В обычном тексте нет шрифтов, полужирного начертания, изображений и таблиц. Если нужно сохранить оформление, преобразуйте файл в редактируемый документ с помощью PDF в Word, а таблицы можно перенести в электронную таблицу через PDF в Excel. Некоторые PDF хранят текст в нестандартных кодировках шрифтов, и тогда в извлечённом тексте отображаются неверные символы; в таком случае OCR обычно даёт лучший результат.