Wyodrębnij tekst z dowolnego PDF,
w Twojej przeglądarce.

Gdy chcesz tekst, a nie PDF

Powody, by wyciągnąć tekst z PDF-a, niemal zawsze sprowadzają się do tego samego: dostać słowa tam, gdzie PDF nie wchodzi. Chcesz wkleić cytat do maila bez wlókówania PDF-a jako załącznika. Karmisz długim dokumentem asystenta AI, który przyjmuje tylko plain text. Chcesz grepnąć 200-stronicowy raport w poszukiwaniu jednej frazy, a wyszukiwarka czytnika coś chowa. Tłumaczysz umowę i narzędzie tłumaczeniowe chce źródło jako plik płaski. Przenosisz gotowy skład z PDF-a z powrotem do edytora. We wszystkich tych przypadkach przeszkadza opakowanie — słowa są w porządku, tylko siedzą w składzie, który trudno poskładać z powrotem.

Wyjście tutaj to dokładnie to: plain text, jeden duży .txt, w tej samej kolejności, w której czyta się PDF. Bez formatowania, czcionek, obrazów i tabel-jako-tabel. Zadanie: wyzwolić słowa.

Co naprawdę robi „ekstrakcja"

W PDF-ie są dwa rodzaje „tekstu". Prawdziwy tekst — znaki rysowane czcionkami, które PDF oznacza jako litery — leży w warstwie tekstowej. Tę warstwę narzędzie czyta wprost. Drugi rodzaj to tekst istniejący jedynie jako piksele: cokolwiek zeskanowanego, sfotografowanego lub zrzutowego, zanim trafiło do PDF-a. Te znaki to obrazy liter, nie litery, i żaden ekstraktor nie zobaczy ich jako tekstu bez OCR. Tutaj kroku OCR nie ma.

Dwa szybkie testy powiedzą, jaki masz PDF. Otwórz go w dowolnym czytniku, kliknij i przeciągnij myszką po akapicie: jeśli tekst zaznacza się czysto, jest warstwa tekstowa i ekstrakcja zadziała. Gdy kursor rysuje prostokąt i nic się nie zaznacza, strona jest obrazem i najpierw trzeba przepuścić ją przez OCR (w innym narzędziu), żeby ekstraktor miał co czytać.

Jak powstają złamania linii i akapity

PDF nie pamięta akapitów. Wewnątrz strona to worek fragmentów tekstu z pozycjami i nigdzie żadnej metadanej „tu koniec akapitu". Sensowny plain text bez podziałów nie istnieje, więc narzędzie wnioskuje je z odstępów pionowych: mały odstęp między wierszami staje się pojedynczym złamaniem, większy odstęp (jaki projektanci wstawiają między akapity) — pustą linią. Typowe przypadki działają: tekst zasadniczy, nagłówki, listy. Jeśli projektant użył nietypowych odstępów do innych celów, narzędzie tego nie odgadnie i takie miejsca mogą wymagać lekkiej ręcznej korekty.

Strony są w wyjściu rozdzielone pustą linią. Jeśli w ogóle nie chcesz oddzielaczy stron, zamień podwójne złamania na pojedyncze przez znajdź-i-zamień.

Co nie przeżyje ekstrakcji

• Pogrubienie, kursywa, czcionki, kolor, wyrównanie. Plain text jest płaski. Jeśli musisz zachować formatowanie, zobacz pdf-to-word.
• Tabele. Komórki stają się plain textem w kolejności czytania — zwykle wiersz po wierszu, często z niewygodnymi odstępami. Tabele, które mają pozostać tabelami, należą do pdf-to-excel.
• Obrazy i diagramy. Cokolwiek nie było w PDF-ie tekstem, w tekście się nie pojawi. Aby wyciągnąć obrazy osobno, zobacz pdf-to-jpg.
• Nagłówki i stopki. Jeśli oryginał powtarzał „Poufne — str. X z Y" na każdej stronie, wyjście będzie wyglądać tak samo. Znajdź-i-zamień usuwa je w sekundach.
• Słowa przerwane łącznikiem przez koniec linii. Słowo rozłamane łącznikiem wyjdzie jako coś-\nś zamiast cośś. Jeśli to ma znaczenie dla dalszego wyszukiwania albo sprawdzania pisowni, regex -\n → puste naprawia.
• Układy wielokolumnowe mogą się przeplatać. Dwukolumnowy artykuł naukowy może wyjść z naprzemiennymi zdaniami z lewej i prawej kolumny. Dokumenty jednokolumnowe — większość raportów, umów, książek — to nie dotyczy. Gdy wynik z przemieszanymi kolumnami jest nieużywalny, czystsze jest otworzyć PDF w narzędziu szanującym kolejność kolumn i ponownie wyciągnąć tekst.

Kilka praktycznych uwag

1. Jeśli PDF jest zabezpieczony hasłem, najpierw przez unlock-pdf. Zaszyfrowanego PDF-a nie da się otworzyć do ekstrakcji tekstu.
2. Dla bardzo dużych PDF-ów (setki MB, tysiące stron) ekstrakcja i tak idzie w przeglądarce. Na desktopie rzadko stanowi to problem; na telefonie z 500-stronicowym skanem upiera się o pamięć. W takiej sytuacji desktop.
3. Wyjście to UTF-8. Cyrylica, greka, arabski, chiński, łacina z diakrytyką przechodzą czysto, jeśli w PDF-ie były zapisane jako prawdziwy tekst. PDF-y, w których znaki nie-łacińskie były rysowane jako osadzone subsetowe glify bez właściwego kodowania, w ekstrakcji dają śmieci — to problem samego PDF-a, nie ekstraktora. Naprawia się po stronie źródła: ponowny eksport z poprawnym kodowaniem Unicode.
4. Wzorzec nazwy. Plik contract.pdf pobiera się jako contract.txt. PDF na dysku zostaje na swoim miejscu.

Co dzieje się z twoim plikiem

Ekstrakcja działa w twojej przeglądarce. Otwórz DevTools i obserwuj kartę Network podczas operacji — żadnych wychodzących żądań z zawartością pliku. PDF zostaje na dysku; .txt to nowe pobranie obok.