Извлеките текст из любого PDF онлайн

Два вида PDF — две разные задачи

PDF может хранить текст одним из двух способов, и от того, какой у вас, зависит почти все в том, насколько трудно этот текст достать.

PDF, сохраненный из Word, Google Документов или графической программы, содержит сами буквы. Извлечь такой текст можно мгновенно, потому что он уже там.

Скан или фото хранит только картинку текста. Буквы нужно сначала распознать на этой картинке, и лишь потом их можно извлечь. Этот шаг называется OCR (оптическое распознавание символов).

Сканы обрабатываются немного дольше, и результат очень точный, но не идеальный. Лучше сказать об этом прямо, чем называть цифру, за которую мы не можем поручиться.

Как распознать текст в отсканированном PDF

Если в программе просмотра PDF текст не выделяется и не копируется, значит, это скан. Загрузите его сюда, и этот онлайн-распознаватель вернет текст, который можно копировать, искать и редактировать.

Часто помогает указать язык. Автоопределение хорошо работает на большинстве страниц, но если самому выбрать английский, урду, арабский, китайский или любой другой из 39 языков, результат на смешанных или нелатинских документах будет заметно лучше.

• Сканируйте в 300 DPI или выше. Ниже теряются мелкие детали, и OCR ошибается чаще.
• Выровняйте перекошенные страницы перед загрузкой. Даже наклон в несколько градусов ухудшает результат.
• Ровные сканы дают лучший результат, чем фото под углом.
• Хорошее ровное освещение важнее, чем кажется: тень на странице затрудняет чтение букв.

И наконец: вам нужно, чтобы сам PDF стал доступен для поиска и выглядел точно так же, как сейчас? Это другая задача: «PDF OCR» добавляет в PDF скрытый текстовый слой, а не создает отдельный текстовый файл.

Если текст получился перемешанным

Научные статьи, журналы и газеты верстают в колонки. Конвертер, который читает поперек страницы, смешивает колонки, и результат теряет смысл.

Этот конвертер PDF в текст распознает страницы в две колонки и читает каждую колонку сверху вниз, прежде чем перейти к следующей.

• Сохранить переносы строк заканчивает строки там же, где на странице. Колонки все равно читаются по одной.
• Объединить в абзацы склеивает строки, которые разорвала только ширина страницы. Лучше всего для вставки в документ или письмо.
• Сохранить макет оставляет слова на своих местах на странице, чтобы колонки и таблицы выравнивались в моноширинном шрифте.
• Сплошной блок текста ставит все в одну строку — чтобы вставить в форму или ячейку таблицы.

Некоторые PDF сделаны со шрифтами, буквы которых не являются настоящими символами, поэтому при копировании получается бессмыслица. Такие страницы распознаются и читаются через OCR. Можно включить это для всего документа опцией Заново распознать каждую страницу через OCR.

TXT, Word, Markdown, веб-страница или JSON

• Файл обычного текста (.txt) — это слова и только слова. Это стандартная конвертация PDF в TXT: текст можно вставить куда угодно или передать другой программе.
• Файл Word (.docx) открывается в Word или Google Документах: таблицы остаются таблицами, а новые страницы начинаются там же, где в исходном PDF.
• Файл Markdown (.md) сохраняет заголовки и таблицы в синтаксисе Markdown — удобно для приложений заметок, вики и разработчиков.
• Файл веб-страницы (.html) содержит структурированные теги, которые можно открыть в любом браузере.
• Файл JSON содержит описание каждой страницы: строки, позиции, уверенность OCR, таблицы и ссылки.

Нужен не только текст, но и точный вид страницы? Конвертируйте PDF в Word, чтобы сохранить макет. Нужно превратить таблицы в электронную таблицу? Попробуйте нашу конвертацию PDF в Excel.

Таблицы, колонтитулы и номера страниц

Таблицы превращаются в строки и столбцы, а не в абзацы текста. В обычном тексте столбцы разделены табуляцией, а в версиях Word, Markdown и HTML они становятся таблицами.

Убрать колонтитулы и номера страниц удаляет повторяющийся колонтитул и номер страницы вверху или внизу каждой страницы PDF. Текст идет единым документом, а не разбивается на страницы через каждые несколько абзацев.

Склеивать слова, разорванные переносом соединяет слова, разделенные дефисом в конце строки. Вместо «доку-мент» вы увидите «документ». Отмечать начало каждой страницы ставит короткую метку в начале каждой страницы, чтобы было легко сверяться с исходным PDF.

Защищенные и конфиденциальные PDF

Для PDF, защищенного паролем, введите пароль в поле Пароль документа. Он используется только для открытия файла и никогда не сохраняется.

Для PDF, который вообще не должен покидать ваше устройство, откройте Извлечь на этом устройстве. Браузер сам читает текст, ничего не загружается, и кредиты не списываются.

Этот режим читает только текстовый слой, поэтому подходит для договоров, выписок и писем, созданных на компьютере. У отсканированной страницы текстового слоя нет, поэтому сканам нужен обычный конвертер с OCR. На длинных документах режим на устройстве может работать медленнее, потому что использует ваш компьютер, а не наш.

Прочитайте результат перед скачиванием

Текст открывается в редакторе прямо на странице. Переходите к любой странице, исправляйте слова, объединяйте строки в абзацы, меняйте регистр, копируйте или слушайте текст вслух.

Слова, в которых OCR не уверен, подсвечиваются, чтобы вы знали, что проверить. Ссылки из PDF перечислены вместе с результатом. Не устраивает? Распознайте тот же файл заново с другим макетом, языком или форматом — бесплатно, до 5 раз, пока он на наших серверах.

Перевод извлеченного текста

Результат можно сразу машинно перевести на английский, урду, арабский, испанский, французский или еще семь языков. Это удобно, чтобы быстро понять документ на иностранном языке.

Это машинный перевод, поэтому проверяйте все важное. За раз переводится до 120 000 символов, так что для длинного отчета выберите диапазон страниц и переводите по частям.

Да. Ваши файлы удаляются с наших серверов через час после обработки автоматически.

Дольше этого часа ничего не хранится. Ничего не читает человек. Ничего не используется для обучения. Каждая загрузка и скачивание идут по HTTPS, так что файл зашифрован в обе стороны.

Если даже это для вас слишком, воспользуйтесь режимом Извлечь на этом устройстве. PDF остается в браузере и вообще не попадает на наши серверы.

Недавние результаты хранятся в вашем браузере, никогда на наших серверах, и их можно очистить когда угодно.