Главная›Инструменты›Документы и финансы›Документы и деньги›PDF в текст

PDF в текст

Достаёт из документа текстовый слой — то, что записано в нём буквами. Нарисованное пикселями сюда не попадает.

Перетащите файл PDF сюда или нажмите, чтобы выбрать. Файл остаётся на вашем компьютере.

Ставить разделители страниц Склеивать слова, разорванные переносом Собирать строки в абзацы

Файл пока не выбран.

Текст извлекается внутри браузера. Документ на сервер не отправляется.

Что даёт извлечение текста

Инструмент вытаскивает из документа чистый текст без разметки и оформления. Это нужно, когда содержимое пойдёт в обработку: поиск по словам, перенос в таблицу, подсчёт объёма или передача в языковую модель.

Порядок извлечения задаётся тем, как текст записан в файле, и с порядком чтения он совпадает не всегда. Документ в две колонки может отдать строки вперемешку, если при создании колонки записывались построчно через всю ширину листа.

Колонтитулы, номера страниц и сноски идут в общий поток. Их можно отсечь по повторяемости: строка, встречающаяся на каждой странице в одном и том же месте, почти наверняка колонтитул.

Отдельно инструмент показывает объём: число знаков с пробелами и без, слов и абзацев. Для расчёта работы переводчика или копирайтера этого достаточно, и пересчитывать в редакторе не нужно.

Простой текст — Чистый текст без оформления — рабочий формат для обработки и поиска. Фото: Vigursii, CC BY-SA 4.0.

Что получается	Замечание
Текст страницы	В порядке записи в файле
Колонтитулы	Попадают в поток
Таблицы	Разбираются построчно
Сканы	Текста нет
Объём	Знаки, слова, абзацы

Почему один файл читается, а другой нет

Внутри PDF текст хранится командами вида «поставить эти символы в такой-то точке страницы». Соседние по смыслу слова могут быть записаны в разных местах файла, а пробел между ними иногда вообще отсутствует — его заменяет сдвиг координаты.

Отсюда классическая беда извлечения: слова слипаются или, наоборот, разрываются посреди корня. Алгоритм восстанавливает пробелы по расстояниям между символами, и на шрифтах с плотным набором ошибается.

Вторая сложность — кодировка. Шрифт в документе может пользоваться собственной таблицей символов, где код не совпадает с общепринятым. Для правильного извлечения в файле должна быть таблица соответствия, и если её не вложили при создании, вместо текста получаются иероглифы.

Именно поэтому один документ отдаёт текст безупречно, а другой, внешне такой же, — набор мусора. Дело в том, как его сохраняла программа-создатель, и повлиять на это со стороны читателя нельзя.

Образец шрифта — Своя таблица символов в шрифте — частая причина мусора при извлечении. Фото: dronepicr, CC BY 2.0.

Книжные полки — Оцифровка библиотек сделала извлечение текста массовой задачей. Фото: Викисклад, CC0.

Как чистить результат

Загрузите документ и заберите текст. Если результат выглядит мусором, дело в шрифтовой таблице исходника — помочь может только распознавание страницы как картинки.

Сохраняйте разбивку по страницам, если текст пойдёт на сверку с исходником. Сплошной поток без границ читается легче, но найти в нём спорную фразу по номеру страницы уже невозможно.

Для документов в две колонки проверьте порядок первых же абзацев. Перемешанные строки видно сразу, и в таком случае надёжнее извлекать текст постранично и править порядок вручную.

Колонтитулы отсекайте после извлечения поиском повторяющихся строк. Их проще убрать разом по всему файлу, чем вычищать вручную страницу за страницей.

Для подсчёта объёма помните, что счётчик считает и колонтитулы: перед расчётом оплаты их стоит убрать, иначе объём завысится на несколько процентов.

Отдельно полезен режим извлечения с разбивкой по страницам: он проставляет номер перед каждым блоком, и потом легко вернуться к исходнику, чтобы сверить спорное место. При работе с договорами это экономит время.

Помните и о лигатурах: сочетания вроде «фи» и «фл» в качественных шрифтах записываются одним символом, и при извлечении они иногда превращаются в один знак вместо двух. Поиск по такому тексту слово пропустит.

Сохранить разметку поможет конвертер PDF в Word, а посчитать знаки в готовом тексте — счётчик символов и слов.

Что извлекается	чистый текст
Порядок	как записан в файле
Колонтитулы	в общем потоке
Сканы	без распознавания не отдают текст
Причина мусора	своя таблица шрифта
Пробелы	восстанавливаются по сдвигам
Счётчик	знаки, слова, абзацы
Обработка	в браузере

Переносы слов по слогам склеиваются обратно, строки внутри абзаца соединяются, разбивка по страницам ставится по желанию.

Как пользоваться

Отдельно инструмент показывает страницы, на которых текста не нашлось вовсе: это верный признак того, что перед вами скан, то есть картинка. Из картинки текст достаётся только распознаванием, и никакой инструмент не сделает этого «извлечением». Документ обрабатывается в браузере и на сервер не отправляется.

Перетащите PDF в поле или нажмите на него.
Разбивка по страницам, склейка переносов и абзацев.
Скопируйте или скачайте готовым файлом.
Если их много — документ отсканирован, нужен распознаватель.

Частые вопросы

Почему текст не извлекается вовсе

Потому что его в документе нет. В PDF бывает два принципиально разных содержимого: настоящий текст, записанный символами со шрифтами, и картинка, на которой текст нарисован. Сканы, фотографии документов и многие выгрузки — это второе. Извлекать оттуда нечего: с точки зрения файла там просто пиксели. Инструмент прямо пишет, у скольких страниц текстового слоя не нашлось.

Что делать со сканом

Нужно распознавание текста, оно же OCR: программа смотрит на картинку и угадывает буквы. Здесь его нет — приличное распознавание русского требует моделей в десятки мегабайт, и загружать их в браузеру ради одной страницы неразумно. Распознавание есть в некоторых просмотрщиках PDF и в офисных пакетах; ещё его умеют облачные хранилища при открытии документа.

Почему слова слиплись или разъехались

Так устроен формат. PDF хранит отдельные куски текста с координатами на странице, а строк в нём нет вовсе: где-то это целое предложение, где-то одна буква со своим смещением. Пробелов между кусками может не быть вовсе — их положение задано координатами. Инструмент восстанавливает пробелы по разрывам в координатах, и в сложной вёрстке с колонками или таблицами восстановление местами промахивается.

Что делает склейка переносов

Соединяет слово, разорванное дефисом на конце строки: «докумен-» и «том» превращаются обратно в «документом». Признак переноса — дефис в конце строки, за которым на следующей строке идёт строчная буква. Настоящие дефисные слова вроде «интернет-магазин» при этом не страдают: у них после дефиса нет разрыва строки.

Чем склейка абзацев отличается от склейки переносов

Переносы соединяют разорванное слово, а склейка абзацев убирает разрывы строк внутри одного абзаца, оставляя пустую строку только между абзацами. Это нужно, когда текст пойдёт в редактор: без склейки каждая строка станет отдельным абзацем, и переверстать такое трудно. Признаком конца абзаца считается точка, восклицательный или вопросительный знак в конце строки.

Сохраняется ли порядок текста в колонках

Порядок берётся такой, в каком куски записаны в файле, а он обычно совпадает с порядком чтения. В двухколоночной вёрстке это иногда даёт чересполосицу: строка из левой колонки, строка из правой. Надёжного способа угадать колонки без разбора геометрии страницы нет, поэтому такие документы стоит просматривать глазами.

Извлекаются ли таблицы

Как текст — да, как таблица — нет. Ячейки выйдут строками в том порядке, в каком лежат в файле, без границ и без разделителей столбцов. Для таблиц надёжнее исходный файл, из которого делали PDF.

Спросите нейросети об инструменте

Отвечает DeepSeek по данным этой страницы и тому, что у вас сейчас на экране: что делает, как устроен, ограничения

Больше возможностей: Нейросеть для текста, написать, сократить, переписать.

Ещё инструменты для документов и денег

НДС и сумма прописью, проверка чека по QR-коду, переработки и алименты, объединение, сжатие и перевод PDF — в разделе 25 инструментов.

Документы и деньги Создать документы