Видобувайте текст із будь-якого PDF,
у вашому браузері.

Коли потрібен текст, а не PDF

Причини витягати текст із PDF майже завжди зводяться до одного: треба перенести слова туди, куди PDF не пускає. Хочеться вставити цитату в листа, не тягнучи PDF як вкладення. Ви годуєте довгий документ AI-асистенту, який приймає лише plain text. Хочете grep'нути 200-сторінковий звіт за однією фразою, а пошук у в'ювері щось приховує. Перекладаєте контракт, і інструмент перекладу хоче джерело як плоский файл. Переносите готову верстку з PDF назад у редактор. У всіх випадках заважає обгортка — слова в порядку, просто сидять у верстці, яку важко зібрати назад.

На виході тут саме це: plain text, один великий .txt, у тому самому порядку, у якому читається PDF. Без форматування, шрифтів, картинок і таблиць-як-таблиць. Завдання — вивільнити слова.

Що насправді робить «витягування»

У PDF сидять два види «тексту». Справжній текст — символи, намальовані шрифтами, які PDF позначає як літери — лежить у текстовому шарі. Цей шар інструмент читає напряму. Другий вид — текст, що існує лише як пікселі: усе відскановане, сфотографоване або скриншотнуте до потрапляння в PDF. Ці символи — картинки літер, а не літери, і жоден витягувач не побачить їх як текст без OCR. OCR-кроку тут немає.

Два швидкі тести скажуть, який у вас PDF. Відкрийте його в будь-якій читалці, клацніть і протягніть мишею по абзацу: якщо текст гарно виділяється — текстовий шар є, і витягування спрацює. Якщо курсор малює прямокутник і нічого не виділяється — сторінка картинка, і спершу треба прогнати через OCR (в іншому інструменті), щоб витягувачу було що читати.

Як виходять переноси рядків і абзаци

У PDF не зберігаються абзаци. Усередині сторінка — мішок текстових фрагментів із позиціями, і ніде немає метаданих «тут кінець абзацу». Зрозумілий plain text без переносів не існує, тому інструмент виводить їх із вертикальних проміжків: маленький проміжок між рядками стає одинарним переносом, великий проміжок (який зазвичай ставлять між абзацами) — порожнім рядком. Звичайні випадки працюють: тіло тексту, заголовки, списки. Якщо дизайнер використав незвичайні інтервали для своїх задач, інструмент не вгадає, і такі місця можуть потребувати легкого правлення.

Сторінки розділяються порожнім рядком. Якщо взагалі не потрібні розділювачі сторінок — find-and-replace, замініть подвійний перенос на одинарний.

Що не переживе витягування

• Жирний, курсив, шрифти, колір, вирівнювання. Plain text плоский. Якщо потрібне форматування — pdf-to-word.
• Таблиці. Клітинки стають plain text у порядку читання — зазвичай рядок за рядком, часто з незручними пробілами. Якщо таблиці мають лишитися таблицями — pdf-to-excel.
• Картинки і діаграми. Те, що в PDF не було текстом, у текст не потрапляє. Щоб витягти картинки окремо — pdf-to-jpg.
• Колонтитули. Якщо в оригіналі на кожній сторінці повторювалося «Конфіденційно — стор. X з Y», у витягнутому тексті буде те саме. Find-and-replace прибирає за секунди.
• Слова, перенесені з дефісом через переніс рядка. Слово, розірване переносом, вийде як щось-\nтак, а не щось-так. Якщо важливо для подальшого пошуку чи орфографії — регулярка -\n → порожньо лагодить.
• Багатоколонкова верстка може перемішатися. У двоколонковій науковій статті речення з лівої та правої колонок можуть чергуватися. Одноколонкові документи — більшість звітів, контрактів, книг — цього не торкається. Якщо перемішаний результат непридатний, чистіше відкрити PDF в інструменті, що поважає порядок колонок, до повторного витягування.

Кілька практичних нотаток

1. Якщо PDF під паролем, спершу через unlock-pdf. Зашифрований PDF не можна відкрити для витягування тексту.
2. Для дуже великих PDF (сотні МБ, тисячі сторінок) витягування все одно йде в браузері. На десктопі це рідко проблема; на телефоні з 500-сторінковим сканом упирається в пам'ять. У такому разі — на десктоп.
3. Вивід у UTF-8. Кирилиця, грецька, арабська, китайська, латиниця з діакритикою переживають усе, якщо в PDF вони зберігалися як справжній текст. PDF, у яких не-латинські символи малювалися як embedded subset glyphs без правильної кодування, при витягуванні дають сміття — це проблема самого PDF, а не витягувача. Лікується на боці джерела — реекспортом з правильним Unicode-кодуванням.
4. Ім'я файлу. Файл contract.pdf завантажується як contract.txt. PDF на диску лишається на місці.

Що відбувається з вашим файлом

Витягування йде у вашому браузері. Відкрийте DevTools і простежте вкладку Network під час операції — вихідних запитів зі вмістом файлу немає. PDF лишається на диску; .txt — нове завантаження поряд.