Získejte text z libovolného PDF,
ve svém prohlížeči.

Když chcete text, ne PDF

Důvody pro vytažení textu z PDF se skoro vždy točí kolem jedné věci: dostat slova tam, kam PDF nepustí. Chcete vložit citát do e-mailu, aniž byste tahali PDF jako přílohu. Krmíte dlouhým dokumentem AI asistenta, který bere jen plain text. Chcete grepnout 200stránkovou zprávu na jednu frázi a vyhledávání ve čtečce vám něco schovává. Překládáte smlouvu a překladový nástroj chce zdroj jako plochý soubor. Stěhujete hotovou sazbu z PDF zpátky do editoru. Ve všech těchto případech překáží obal — slova jsou v pořádku, jen sedí v sazbě, kterou je těžké poskládat zpět.

Výstup je tu přesně to: plain text, jeden velký .txt, ve stejném pořadí, v jakém PDF čte. Bez formátování, písem, obrázků a tabulek-jako-tabulek. Úkolem je osvobodit slova.

Co „extrakce" doopravdy dělá

V PDF jsou dva druhy „textu". Skutečný text — znaky kreslené písmy, které PDF označuje jako písmena — leží v textové vrstvě. Tu nástroj čte přímo. Druhý druh je text, který existuje jen jako pixely: cokoliv naskenovaného, vyfoceného nebo zachyceného jako screenshot, než to skončilo v PDF. Tyto znaky jsou obrázky písmen, ne písmena, a žádný extraktor je bez OCR jako text neuvidí. Krok OCR tu není.

Dvě rychlé zkoušky vám řeknou, jaké PDF máte. Otevřete ho v libovolné čtečce, klikněte a táhněte přes odstavec: jestli se text čistě označí, textová vrstva je tam a extrakce zabere. Když kurzor kreslí obdélník a nic se neoznačí, stránka je obrázek a nejdřív je třeba projet OCR (jiným nástrojem), aby měl extraktor co číst.

Jak vznikají zalomení a odstavce

PDF si odstavce nepamatuje. Uvnitř je stránka pytel textových úryvků s pozicemi a nikde žádný údaj „tady končí odstavec". Smysluplný plain text bez zalomení neexistuje, takže nástroj je odvozuje ze svislých mezer: malá mezera mezi řádky se promítne jako jedno zalomení, velká mezera (jakou návrháři dávají mezi odstavce) jako prázdný řádek. Běžné případy fungují: tělo, nadpisy, seznamy. Jestli návrhář použil neobvyklé rozestupy pro něco jiného, nástroj to neuhodne, a taková místa můžou chtít drobnou ruční úpravu.

Stránky jsou ve výstupu odděleny prázdným řádkem. Jestli oddělovače stránek vůbec nechcete, najít-a-nahradit dvojitý prázdný řádek za jeden ho odstraní.

Co extrakci nepřežije

• Tučné, kurzíva, písma, barva, zarovnání. Plain text je plochý. Pokud potřebujete formátování zachovat, viz pdf-to-word.
• Tabulky. Buňky se promění v plain text v pořadí čtení — obvykle řádek po řádku, často s podivným odsazením. Tabulky, které mají zůstat tabulkami, patří do pdf-to-excel.
• Obrázky a diagramy. Cokoliv, co v PDF nebylo text, se v textu neobjeví. Pro vytažení obrázků zvlášť viz pdf-to-jpg.
• Záhlaví a zápatí. Když originál opakoval „Důvěrné — strana X z Y" na každé stránce, ve výstupu to bude taky. Najít-a-nahradit to vyřeší za sekundy.
• Slova přerušená spojovníkem přes konec řádku. Slovo rozdělené spojovníkem vyjde jako něco-\nco místo něcoco. Pokud na tom záleží pro hledání nebo kontrolu pravopisu, regex -\n → prázdno to spraví.
• Vícesloupcové sazby se můžou prokládat. Dvousloupcová odborná stať může vyjít s větami z levého a pravého sloupce střídavě. Jednosloupcové dokumenty — většina zpráv, smluv, knih — to nepostihuje. Když je výsledek s prokládáním nepoužitelný, čistší je otevřít PDF v nástroji respektujícím pořadí sloupců a extrakci spustit znovu.

Pár praktických poznámek

1. Pokud je PDF chráněné heslem, nejdřív přes unlock-pdf. Šifrované PDF nelze otevřít pro extrakci textu.
2. U velmi velkých PDF (stovky MB, tisíce stran) extrakce běží stejně v prohlížeči. Na desktopu to bývá málokdy problém; na telefonu s 500stránkovým skenem to naráží na paměť. V tom případě desktop.
3. Výstup je UTF-8. Cyrilice, řečtina, arabština, čínština, latina s diakritikou projdou čistě, pokud v PDF byly uloženy jako skutečný text. PDF, která nelatinkové znaky kreslila jako vložené subset glyphy bez správného kódování, při extrakci dávají blábol — to je problém samotného PDF, ne extraktoru. Léčí se na zdroji: znovu vyexportovat se správným Unicode kódováním.
4. Vzor jména souboru. Soubor contract.pdf se stáhne jako contract.txt. PDF na disku zůstává na místě.

Co se stane s vaším souborem

Extrakce běží ve vašem prohlížeči. Otevřete DevTools a sledujte záložku Network během operace — žádné odchozí požadavky s obsahem souboru. PDF zůstává na disku; .txt je nový soubor ke stažení vedle něj.