Извлечение текста из PDF

Локальное извлечение выделяемого текста из PDF

Копировать текст из PDF не всегда удобно, особенно когда в документе много страниц или текст нужен в простом редакторе. Этот инструмент PDF в текст считывает выделяемый текст с каждой страницы и помещает его в одно текстовое поле, которое можно скопировать или скачать как файл TXT. Он работает полностью в вашем браузере на базе pdfjs-dist, поэтому исходный PDF не загружается и не хранится на удалённом сервисе. Извлекатель полезен для исследовательских заметок, цитат, договоров, отчётов, счетов, руководств и любых PDF, в которых уже есть текстовый слой.

Выделяемый текст и отсканированные изображения

PDF могут хранить текст по-разному. PDF, созданный в цифровом виде, например экспортированный из текстового редактора, обычно содержит настоящий выделяемый текст. Отсканированный PDF может содержать только изображения страниц. Если скан уже обработан с помощью OCR, извлечение текста может сработать, так как слой OCR скрыт за изображением. Если же в файле только изображения, этот инструмент не сможет придумать текст по пикселям: сначала выполните OCR, а затем извлеките получившийся текстовый слой. Ваш браузер загружает документ из локальной памяти, запрашивает у каждой страницы её текстовое содержимое и объединяет результаты с пометками страниц.

Очистка извлечённого текста

Порядок текста в PDF зависит от того, как был создан исходный файл. Простые страницы обычно извлекаются чисто, а многоколоночная вёрстка, таблицы, верхние и нижние колонтитулы и повёрнутый текст могут потребовать ручной правки. Проверьте результат, прежде чем цитировать или использовать его повторно. Инструмент добавляет разделители страниц, чтобы вы могли отследить текст до исходной страницы и исправить переносы строк или пробелы, не совпадающие с первоначальным порядком чтения. Результат — обычный текст, который легко вставить в документ, найти в редакторе кода, использовать в другом локальном процессе или сохранить рядом с исходным PDF.