pdfMB

PDF в текст

Получите весь текст PDF в порядке чтения, собранный в абзацы. Скопируйте его или скачайте файл .txt. Файл остаётся на этом устройстве.

  • Без загрузкиФайл остаётся на вашем устройстве.
  • Оригинал не меняетсяВы скачиваете новую копию. Ваш файл остаётся прежним.
  • Бесплатно, без регистрацииБез аккаунта и без дневного лимита.

Что происходит с вашим файлом

Всё описанное ниже происходит в вашем браузере, на вашем устройстве. PDF не загружается на сервер, поэтому никто другой, включая нас, его не видит.

  1. Браузер открывает PDF с помощью pdf.js — просмотрщика PDF, встроенного в Firefox, — и читает каждый фрагмент текста вместе с положением и размером.
  2. Фрагменты текста на одной строке объединяются в строки, а строки — в абзацы, поэтому текст не обрывается переносом через каждые несколько слов. Слова, перенесённые через дефис в конце строки, снова собираются целиком.
  3. Страницы в две или три колонки читаются колонка за колонкой. При копировании из просмотрщика PDF колонки часто перемешиваются построчно.
  4. Строки, которые повторяются вверху или внизу большинства страниц, например колонтитулы и номера страниц, можно убрать, чтобы они не разрывали предложения.
  5. Таблицы становятся строками текста, где ячейки разделены табуляцией, поэтому при вставке в электронную таблицу они попадают в нужные столбцы.
  6. Некоторые PDF, часто сохранённые из браузера, помечают отдельные символы как «нет символа». В тайском это обычно знаки тона над гласными. pdfMB восстанавливает их по шрифтам внутри вашего файла.
  7. Страницы без текста, например сканы, можно распознать тем же движком OCR, что и в «OCR PDF». Скачиваются только языковые данные, один раз.
  8. Файл .txt сохраняется на вашем устройстве в UTF-8, поэтому любой язык передаётся без потерь. Текст можно и просто скопировать в буфер обмена.
Коротко
  1. Выберите PDF
  2. Нажмите «Преобразовать в текст»
  3. Проверьте предпросмотр
  4. Скопируйте текст или скачайте файл .txt

Как достать текст из PDF

  1. Выберите PDF или перетащите его в поле. pdfMB прочитает каждую страницу и сообщит, есть ли среди них сканы без текста.
  2. Если есть сканированные страницы, оставьте включённым «Распознать текст сканированных страниц (OCR)» и выберите язык документа.
  3. Нажмите «Преобразовать в текст». Полоса покажет, сколько уже сделано.
  4. Просмотрите результат. Можно оставить или убрать колонтитулы, отметить начало страниц или переключиться на Markdown, чтобы сохранить заголовки и таблицы.
  5. Нажмите «Копировать всё», чтобы вставить текст в другое место, или скачайте файл .txt.

Почему в скопированном тайском тексте часто пропадают знаки тона

В тайских шрифтах есть дополнительные формы знаков тона: приподнятая, которая стоит над верхней гласной, как в ที่ или น้ำ, и обычная. PDF хранит, какая форма нарисована, плюс таблицу, где сказано, какую букву означает каждая форма.

Когда PDF сохраняют из Chrome, Edge и других браузеров на основе Chromium, эта таблица часто говорит, что приподнятые формы означают «ничего». При копировании текста или в инструменте, который верит таблице, знак теряется, и น้ำ (вода) превращается в นำ (вести).

В нашем тесте со статьёй тайской Википедии на 35 страниц, сохранённой из Chrome, так были помечены 1 915 знаков тона. pdfMB находит правильный знак в шрифте внутри файла, и все 4 911 знаков тона сохранились.

Когда это нужно

Снова использовать свой текст

Достаньте текст старого отчёта, письма или резюме из PDF, чтобы отредактировать его в любой программе.

Перевод

Вставляйте в переводчик целые абзацы, а не строки, которые обрываются посреди предложения.

Поиск и подсчёт

Ищите по длинному документу, считайте слова или сравнивайте две версии в текстовом редакторе.

Тайские документы

Копируйте тайский текст со всеми знаками тона, даже из PDF, сохранённых из браузера.

Чего он не умеет

  • Сохраняется только текст. Картинки, диаграммы и рисунки не включаются. Чтобы сохранить их, используйте «PDF в JPG».
  • Жирный текст, курсив, заголовки и ссылки становятся обычным текстом. Чтобы их сохранить, используйте «PDF в Markdown».
  • Точное положение текста на странице не сохраняется. Текст из рамок и с полей встраивается в поток абзацев.
  • Формулы получаются обычным текстом, а верхние и нижние индексы остаются на той же строке.
  • Языки с письмом справа налево, например арабский и иврит, пока проверены недостаточно. Внимательно проверьте результат.
  • PDF с паролем и PDF, владелец которых запретил копирование, преобразовать нельзя.

Вопросы о преобразовании PDF в текст

Мой PDF загружается на сервер?

Нет. pdfMB читает файл в вашем браузере, и он никогда не покидает ваше устройство. Это можно проверить в сетевых инструментах браузера.

Почему бы просто не скопировать текст из просмотрщика PDF?

Большинство просмотрщиков копируют построчно: каждая строка заканчивается переносом, колонки перемешиваются, а слова с переносом остаются разорванными. pdfMB собирает строки в абзацы, читает колонки по порядку и может убрать колонтитулы и номера страниц.

Сохраняются ли тайские знаки тона?

Да. pdfMB также восстанавливает знаки тона, которые некоторые PDF помечают как «нет символа». В нашем тесте сохранились все 4 911 знаков тона из тайской статьи на 35 страниц.

Можно ли прочитать сканированный PDF?

Да. Включите OCR и выберите язык. Проверьте результат: OCR может неверно прочитать имена и числа.

В какой кодировке файл .txt?

В UTF-8 — её открывает любой современный редактор, включая Notepad, TextEdit и VS Code. Все языки и символы сохраняются.

Есть ли ограничение по числу страниц или размеру?

Жёсткого ограничения нет. Длинные документы обрабатываются дольше, а очень большим файлам на некоторых телефонах может не хватить памяти.