Извлечение текста из PDF

Как пользоваться

1. Перетащите один PDF на карточку, вставьте через ⌘V / Ctrl+V или нажмите «Выбрать PDF». Текст появляется в поле результата постранично — кнопки «Извлечь» нет. Копирование и скачивание станут доступны, когда все выбранные страницы обработаны и статус станет зелёным.
2. По умолчанию каждая строка PDF остаётся строкой, а абзацы разделяются пустой строкой. Включите «Объединять строки в абзацы», чтобы склеить перенесённые строки: дефисы на конце строки убираются, китайские и японские строки соединяются без пробела, остальные — с одним пробелом. Переключение параметра мгновенно перестраивает текст без повторного чтения PDF.
3. Введите страницы, например «1-3, 5», чтобы оставить только их, в указанном порядке; страница, указанная дважды, появится один раз. Принимаются запятые, китайские перечислительные знаки и арабские запятые, а также арабо-индийские, восточно-арабские и полноширинные цифры. Оставьте поле пустым для всех страниц. Метки вида «--- 3 / 12 ---» показывают исходный номер страницы и могут быть отключены.
4. Если PDF защищён паролем, введите его в появившейся строке и нажмите Enter. Пароль используется только для открытия файла в этой вкладке.

Правила, ограничения и известные проблемы

• Ничего не загружается: PDF читается через File API и разбирается в Web Worker в этой вкладке. Сетевые запросы касаются только файлов самого сайта — движка PDF и воркера при добавлении первого файла, карт символов для некоторых китайских, японских и корейских PDF и примера, когда вы его запросите. Ничего не сохраняется, после перезагрузки всё пусто.
• Без OCR. Сканы, PDF из скриншотов и текст внутри изображений извлечь нельзя; такие страницы помечаются как не имеющие текстового слоя.
• Порядок чтения соответствует внутренней структуре PDF. В многоколоночных макетах, таблицах, колонтитулах и сносках строки могут перемежаться или идти не в том порядке, который вы видите; анализа макета нет.
• Таблицы выводятся только как текст ячеек. Выравнивание по столбцам теряется, а ячейки одной строки могут слиться.
• Объединение строк в абзацы — эвристика на основе межстрочного интервала, размера шрифта и дефисов в конце строк. Дефис, который на самом деле относится к сложному слову, может исчезнуть, если попал в конец строки, а заголовок иногда присоединяется к тексту ниже.
• Если у шрифта нет сопоставления с Unicode, его текст выходит искажённым или пустым. Это свойство PDF; при копировании из программы просмотра PDF обычно получается то же самое.
• Арабские лигатуры: некоторые создатели PDF (например, с отдельными системными шрифтами macOS) сопоставляют один глиф лигатуры нескольким символам, поэтому буквы внутри могут выйти в обратном порядке (لا превращается в ال). Инструмент не пытается это исправить, так что корректный текст никогда не изменяется.
• Вертикальный текст выводится во внутреннем порядке PDF; порядок вертикального чтения не гарантируется.
• Если автор запретил копирование, инструмент всё равно извлекает текст и показывает уведомление. Убедитесь, что вы вправе его использовать.
• Пароли: поддерживается только пароль на открытие (пользовательский). Он используется для открытия документа в этой вкладке, никогда не сохраняется, а шифрование PDF не снимается.
• Ограничения: один PDF за раз, 50 МБ и 2 000 страниц. Более крупные файлы отклоняются с указанием фактического размера или числа страниц. Для файлов больше 20 МБ или 300 страниц показывается подсказка «может занять время».
• Счётчик символов считает графемы и не учитывает метки страниц и разрывы строк. Подсчёта слов для китайского или арабского нет; вставьте результат в счётчик символов и слов для подробной статистики.