Извлекайте текст из любого PDF,
в вашем браузере.

Когда нужен текст, а не PDF

Причины извлекать текст из PDF почти всегда сводятся к одному: нужно перенести слова туда, куда PDF не пускает. Хочется вставить цитату в письмо, не таская PDF вложением. Вы скармливаете длинный документ AI-ассистенту, который принимает только plain text. Хотите grep'нуть 200-страничный отчёт по одной фразе, а поиск во вьюере что-то прячет. Переводите контракт, и переводческий инструмент хочет источник как плоский файл. Переносите готовую вёрстку из PDF назад в редактор. Во всех случаях мешает обёртка — слова в порядке, просто сидят в вёрстке, которую трудно собрать обратно.

На выходе здесь именно это: plain text, один большой .txt, в том же порядке, в котором читается PDF. Без форматирования, шрифтов, картинок и таблиц-как-таблиц. Задача — освободить слова.

Что на самом деле делает «извлечение»

В PDF сидят два вида «текста». Настоящий текст — символы, нарисованные шрифтами, которые PDF помечает как буквы — лежит в текстовом слое. Этот слой инструмент читает напрямую. Второй вид — текст, существующий только как пиксели: всё, что было отсканировано, сфотографировано или скриншотнуто перед попаданием в PDF. Эти символы — картинки букв, а не буквы, и ни один экстрактор не увидит их как текст без OCR. OCR-шага здесь нет.

Два быстрых теста скажут, какой у вас PDF. Откройте его в любой читалке, щёлкните и протяните мышью по абзацу: если текст красиво выделяется — текстовый слой есть, и извлечение сработает. Если курсор рисует прямоугольник, и ничего не выделяется — страница картинка, и сначала нужно прогнать через OCR (в другом инструменте), чтобы извлекателю было что читать.

Как получаются переводы строк и абзацы

В PDF не хранятся абзацы. Внутри страница — это мешок текстовых фрагментов с позициями, и нигде нет метаданных «здесь конец абзаца». Внятный plain text без переводов не существует, поэтому инструмент выводит их из вертикальных промежутков: маленький промежуток между строками превращается в одинарный перевод, большой промежуток (какой обычно ставят между абзацами) — в пустую строку. Обычные случаи работают: тело текста, заголовки, списки. Если дизайнер использовал необычные интервалы для своих задач, инструмент не угадает, и такие места могут потребовать лёгкой правки после.

Страницы разделены пустой строкой. Если вообще не нужны разделители страниц — find-and-replace, замените двойной перевод на одинарный.

Что не переживёт извлечение

• Жирный, курсив, шрифты, цвет, выравнивание. Plain text плосок. Если нужно форматирование — pdf-to-word.
• Таблицы. Ячейки становятся plain text в порядке чтения — обычно строка за строкой, часто с неудобными пробелами. Если таблицы должны остаться таблицами — pdf-to-excel.
• Картинки и диаграммы. То, что в PDF не было текстом, в текст не попадает. Чтобы вынуть картинки отдельно — pdf-to-jpg.
• Колонтитулы. Если в оригинале на каждой странице повторялось «Конфиденциально — стр. X из Y», в извлечённом тексте будет то же. Find-and-replace убирает за секунды.
• Слова, перенесённые с дефисом через перенос строки. Слово, разорванное переносом, выйдет как что-\nто, а не что-то. Если важно для последующего поиска или орфографии — регулярка -\n → пусто чинит.
• Многоколоночная вёрстка может перемешаться. В двухколоночной научной статье предложения из левой и правой колонок могут чередоваться. Одноколоночные документы — большинство отчётов, контрактов, книг — этого не касается. Если перемешанный результат непригоден, чище открыть PDF в инструменте, который уважает порядок колонок, до повторного извлечения.

Несколько практических заметок

1. Если PDF под паролем, сначала через unlock-pdf. Зашифрованный PDF нельзя открыть для извлечения текста.
2. Для очень больших PDF (сотни МБ, тысячи страниц) извлечение всё равно идёт в браузере. На десктопе это редко проблема; на телефоне с 500-страничным сканом упирается в память. В этом случае — на десктоп.
3. Вывод в UTF-8. Кириллица, греческий, арабский, китайский, латиница с диакритикой переживают всё, если в PDF они хранились как настоящий текст. PDF, в которых не-латинские символы рисовались как embedded subset glyphs без правильной кодировки, при извлечении дают мусор — это проблема самого PDF, а не экстрактора. Лечится на стороне источника — пере-экспортом с правильной Unicode-кодировкой.
4. Имя файла. Файл contract.pdf качается как contract.txt. PDF на диске остаётся на месте.

Что происходит с вашим файлом

Извлечение идёт в вашем браузере. Откройте DevTools и проследите вкладку Network во время операции — исходящих запросов с содержимым файла нет. PDF остаётся на диске; .txt — новая загрузка рядом.