PDF в текст - извлечение текста из PDF в браузере
Извлечение текста из PDF
Оставьте пустым для всего документа или напишите 1-5, 8 для конкретных страниц.
Файл открывается и читается внутри этой страницы. Он никогда не загружается, поэтому на сервере потом нечего хранить и нечего удалять.
Что делает этот извлекатель
Страница PDF это список инструкций рисования, и слова на ней обычно настоящие текстовые объекты, а не картинка. Эта страница читает такие объекты напрямую, поэтому вы получаете символы, которые можно искать, цитировать и править, и файл при этом не покидает ваш компьютер.
Как пользоваться
- 1 Перетащите PDF в поле или нажмите на него и выберите файл.
- 2 Задайте диапазон страниц, если нужна лишь часть, и выберите, сохранять ли переносы строк.
- 3 Нажмите «Извлечь текст», затем скопируйте результат или скачайте его файлом .txt.
Извлечение это не то же самое, что OCR
Если PDF вышел из текстового редактора или системы выставления счетов, символы уже внутри и чтение точное. Если он пришёл со сканера или с камеры телефона, страница это просто фотография и читать нечего; распознать те буквы это оптическое распознавание символов, другая и куда менее надёжная работа. Этот инструмент говорит, какой у вас случай, вместо того чтобы вернуть пустое поле.
Откуда берутся переносы строк
PDF не хранит ни строк, ни абзацев, только текст, размещённый по координатам. Читатель собирает в одну строку фрагменты на одной высоте и начинает новую, когда высота меняется. На обычных документах это работает хорошо, на многоколоночной вёрстке несовершенно: две колонки страницы могут перемешаться.
Выбор страниц
Поле диапазона принимает отдельные страницы и промежутки через запятую. Повторы отбрасываются, а страницы читаются по порядку, поэтому писать вразнобой безвредно. Число вне диапазона отвергается, а не игнорируется молча, ведь тихо пропущенная страница это недостающий текст, которого вы никогда не заметите.
1-5 → 1, 2, 3, 4, 5 2, 7, 9 → 2, 7, 9 1-3, 10 → 1, 2, 3, 10 (bos) → все страницы
Замечание о форматировании
На выходе обычный текст, поэтому жирность, заголовки, таблицы и картинки не сохраняются; таблица превращается в строки слов без границ ячеек. Если нужна вёрстка, правильный инструмент это преобразование в формат документа, а если нужны только страницы картинками, для этого есть страницы PDF в JPG и PDF в PNG.