Почему копировать текст из PDF так неудобно
Если выделить текст в просмотрщике PDF и вставить его в другое место, часто получаются рваные строки, пропавшие пробелы или слова не в том порядке. Причина — в том, как PDF хранит текст.
В PDF нет абзацев и строк в том виде, в каком они есть в текстовом редакторе. В нём есть инструкции вроде «нарисуй эти символы в этой позиции этим шрифтом». Предложение может храниться одним фрагментом, отдельным фрагментом на каждое слово или даже побуквенно, а порядок фрагментов в файле не обязан совпадать с порядком чтения. Формат создавался, чтобы страницы везде выглядели одинаково, а не чтобы текст было удобно использовать повторно.
Если извлечь весь текст сразу специальным инструментом, не придётся мучиться с выделением: вы получите весь документ обычным текстом, который можно вставить, искать или редактировать.
Как восстанавливается текст
Инструмент читает текстовые фрагменты каждой страницы через PDF.js, а затем собирает их заново:
- Фрагменты на одной базовой линии объединяются в одну строку.
- Когда меняется вертикальная позиция, начинается новая строка.
- Страницы разделяются пустой строкой, так что видно, где заканчивается каждая.
- Пока страницы читаются, показывается прогресс, а вместе с результатом — количество страниц.
На выходе — обычный текст в UTF-8: без шрифтов, жирного начертания, размеров и цветов. Всё можно скопировать одним кликом или сохранить файлом .txt с именем исходного PDF.
Вёрстка, которую придётся почистить
PDF хранит только позиции, поэтому некоторые макеты выходят в неожиданном порядке.
Текст в несколько колонок
Газеты, научные статьи и рассылки часто свёрстаны в две или три колонки. Если программа, создавшая PDF, записала сначала левую колонку, вы получите аккуратный текст колонка за колонкой. Если же она записывала страницу построчно поперёк колонок, строки левой и правой колонки будут чередоваться. Проверьте первую страницу результата, прежде чем полагаться на остальное.
Таблицы
Ячейки одной строки склеиваются в одну строку текста, обычно без разделителя, поэтому «Total 1,240.00 EUR» может превратиться в «Total1,240.00EUR» или получить неровные пробелы. Для таблиц обычный текст — лишь отправная точка; будьте готовы восстанавливать колонки вручную или в электронной таблице. Если нужно сохранить и форматирование, «Конвертировать PDF в Word» старается сохранить структуру.
Колонтитулы и переносы
Верхние и нижние колонтитулы и номера страниц — часть каждой страницы, поэтому они попадают в текст каждый раз. Слова, перенесённые в конце строки, так и остаются разорванными («доку-» и «мент» на разных строках). Поиск с заменой для текста колонтитула и для «-» с последующим переводом строки быстро приводит в порядок большинство документов.
Если результат пустой или искажённый
- Текста нет вообще. Страницы — это изображения: обычно скан или фото, сохранённое в PDF. Извлекать нечего, текстового слоя нет. Добавьте его с помощью оптического распознавания в инструменте «Сделать скан PDF доступным для поиска», а затем извлеките текст здесь.
- Текст только на части страниц. В смешанных документах, например в напечатанном письме со сканом страницы с подписью, текст есть только там, где его набирали.
- Странные символы вместо букв. Некоторые PDF встраивают шрифты без таблицы, которая сопоставляет глифы с символами. Просмотрщики рисуют их правильно, но коды под ними бессмысленны. Копирование из любого просмотрщика даст то же самое; надёжно помогает только OCR.
- «Не удалось прочитать этот PDF». Файл защищён паролем на открытие или повреждён. Откройте его с паролем и сохраните незащищённую копию — или почините, распечатав в PDF из своего просмотрщика.
Для чего это используют
- Цитировать или повторно использовать фрагменты отчётов, договоров и инструкций без перепечатывания.
- Считать слова в рукописи или работе, сданной в PDF; вставьте результат в «Счётчик слов и символов».
- Искать по длинному документу в текстовом редакторе с регулярными выражениями.
- Передавать содержимое в сервисы перевода, резюмирования или сравнения, которые принимают обычный текст.
- Архивировать читаемое содержимое документа в формате, который будет открываться где угодно ещё десятилетия.
Поддерживаются файлы до 100 МБ. Текст извлекается на вашем устройстве и никуда не отправляется — это важно для договоров, медицинских заключений и других документов, которые вы не стали бы вставлять в онлайн-сервис.