Конвертировать PDF в текст
Бесплатный инструмент, который извлекает текст из PDF и превращает его в текстовый файл (TXT). Со страниц, где есть текст, он извлекается как есть, а текст на отсканированных страницах распознаётся с помощью OCR (оптического распознавания символов). PDF обрабатывается в браузере и не загружается на сервер. OCR может распознать до 200 страниц за раз (на устройствах, где обработка идёт дольше, — до 30). Можно открывать PDF размером до 200 МБ на файл (на телефонах и планшетах — до 100 МБ).
ИИ-модель (около 17 МБ) скачивается с этого сайта при первом запуске и только если в PDF есть страницы без текста (например, отсканированные) или с искажённым текстом; при следующих запусках используется копия, сохранённая в браузере. Ваши PDF не загружаются на сервер.
Настройки
Как пользоваться
- 1
Добавьте PDF
Выберите или перетащите PDF, которые нужно преобразовать в текст. Можно добавить несколько PDF сразу. Ваши PDF не загружаются на сервер.
- 2
Выберите язык документа и разрывы страниц
В поле «Язык документа» выберите язык, на котором написан PDF (используется при распознавании отсканированных страниц). Чтобы преобразовать только часть страниц, укажите их в поле «Диапазон страниц». В поле «Разрывы страниц» выберите, что ставить между страницами.
- 3
Преобразуйте и сохраните
Нажмите «Выполнить», чтобы создать TXT-файл с текстом PDF. Сохраните его кнопкой «Сохранить» или скопируйте весь текст кнопкой «Копировать текст». Если распознавались отсканированные страницы, распознанные строки можно проверить через «Проверить распознанный текст».
О конвертации PDF в текст
Со страниц, где есть текст, он извлекается без ИИ-модели с помощью PDFium — движка PDF, который используется и в Chrome. Страницы без текста и страницы с искажённым текстом (при выделении текста получаются другие символы) распознаются моделью распознавания текста PaddleOCR (PP-OCRv6, Apache-2.0), которая работает в вашем браузере. Только в этом случае при первом запуске с этого сайта скачивается ИИ-модель (около 17 МБ); при следующих запусках используется копия, сохранённая в браузере. Для PDF, где текст есть на многих страницах, инструмент спрашивает, прежде чем скачивать ИИ-модель. На устройствах, которые не могут использовать GPU (WebGPU), обработка идёт на CPU и занимает больше времени, чем на GPU.
Для страниц, у которых уже есть текстовый слой OCR, извлекается этот текст. На страницах, где сочетаются текст и изображения, текст извлекается, а части, не пересекающиеся с текстом, распознаются. Если страниц для OCR больше, чем можно распознать за раз, страницы без текста распознаются с начала документа, а номера нераспознанных страниц показываются. Сохраняется текстовый файл в UTF-8 (.txt). В поле «Разрывы страниц» можно выбрать, что ставить между страницами (по умолчанию — разделительная строка вида «--- 1 / 3 ---»).
Характеристики инструмента
- Входные данные
- Результат
- TXT
- Ограничения
- Без ограничения на число файлов (пакетная обработка). До 200 MB на файл (100 MB на телефонах и планшетах). С помощью OCR за раз распознаётся до 200 стр. (30 стр. на устройствах, где обработка идёт на CPU; номера страниц сверх лимита показываются)
- Бесплатно, без регистрации и без установки приложений
- Файлы не загружаются на сервер (обработка в браузере)
Частые вопросы
Отправляется ли мой PDF на сервер?
Нет. Открытие PDF, извлечение текста и распознавание текста на отсканированных страницах выполняются в браузере на вашем устройстве. На сервер этого сайта отправляется статистика, которая помогает нам исправлять ошибки (диапазон числа страниц, диапазоны числа страниц, с которых извлечён текст, и числа страниц, распознанных с OCR, диапазон времени на страницу, типы ошибок и т. п.). В неё не входят содержимое PDF, извлечённый текст, распознанный текст, имена файлов, пароли и введённые диапазоны страниц. Отправку статистики можно отключить переключателем «Отправлять статистику обработки» внизу страницы.
Можно ли извлечь текст из отсканированного PDF?
Да. Страницы без текста и страницы с искажённым текстом распознаются с помощью OCR (оптического распознавания символов). Он рассчитан на печатный текст, написанный горизонтально. Страницы с вертикальным текстом он тоже распознаёт, но с большим числом ошибок, чем горизонтальный текст, и может пропускать знаки препинания. Рукописный текст не поддерживается. Чтобы сделать PDF доступным для поиска и сохранить его как PDF, используйте «OCR для PDF».
Можно ли извлечь текст из PDF, защищённого паролем или с ограничениями от автора?
Да. PDF, защищённый паролем, открывается после ввода пароля для открытия. Если автор ограничил копирование и извлечение, инструмент не извлекает текст, пока вы не введёте пароль прав доступа. Этот инструмент не подбирает пароли, поэтому, если вы не знаете пароль прав доступа, обратитесь к создателю PDF. У текстового файла (TXT) не может быть пароля или ограничений, поэтому сохранённый файл может открыть кто угодно. Текст, скрытый под аннотациями, например чёрными прямоугольниками, тоже извлекается, если он всё ещё хранится в файле как текст, поэтому, чтобы удалить текст из файла, используйте «Закрашивание PDF».
Могут ли в извлечённом тексте быть ошибки?
Да. На страницах, распознанных с OCR, некоторые символы могут быть распознаны неверно или пропущены в зависимости от размера текста, разрешения скана, пятен или перекоса бумаги. Числа, широко разнесённые в таблицах, распознаются с ошибками чаще, чем остальной текст. Если в качестве языка документа выбран «Японский», символы вне наборов иероглифов JIS первого и второго уровня и эмодзи могут распознаваться как похожие символы. Колонки и таблицы могут выводиться не в порядке чтения. Страницы с текстом следуют порядку, сохранённому в PDF, а на страницах, распознанных с OCR, таблица с длинными ячейками может выводиться по одному столбцу. Нажмите «Проверить распознанный текст», чтобы увидеть строки, распознанные с OCR, обведёнными на странице; строки, в которых вероятнее ошибки, выделены другим цветом.
Помогите нам улучшить сервис
Если конвертация не удалась, сведения о том, при каких обстоятельствах это произошло, помогают нам найти причину. Зная, на каких устройствах и с какими форматами сбои случаются чаще всего и сколько времени занимает обработка, мы можем пересматривать поддерживаемые форматы и исправлять ошибки, которые стоят за сбоями. Если вы не против, оставьте этот параметр включённым — это нам очень поможет.
Что отправляется
- Использованный инструмент и выбранные настройки (выходной формат, качество и т. п.)
- Характеристики вашего устройства (GPU, объём памяти, число ядер)
- Формат входного файла и его примерный размер
- Сколько файлов обработано успешно или с ошибкой и сколько времени это заняло
- Тип ошибки и сведения о ней, если что-то не удалось
Что никогда не отправляется
- Сами файлы и имена файлов
- Текст в PDF, текст, который вы переписали или закрасили, пароли, названия шрифтов и введённые вами диапазоны страниц
- Распознанный текст и положение распознанных строк
- IP-адреса
Данные отправляются только на собственный сервер этого сайта и никогда — сторонним сервисам.
Полный список, включая подробности для каждого инструмента, приведён в разделе «Статистика обработки» политики конфиденциальности.
Подробности, которые отправляет этот инструмент (только количества, время, типы и «да/нет»)
Помимо пунктов из раздела «Что отправляется», этот инструмент отправляет следующие подробности.
- Инструменты для PDF (все)
- Диапазон числа страниц; ограничено ли редактирование; был ли введён пароль прав доступа; подписан ли PDF и зашифрован ли он.
- PDF в текст
- Число входных и выходных файлов; число страниц: с извлечённым текстом, с уже имевшимся текстом OCR, со смешением текста и изображений, распознанных с помощью OCR, распознанных без найденного текста, с искажённым текстом, пустых, переупорядоченных как вертикальный текст, с исправленной ориентацией, не распознанных, потому что ИИ-модель не была скачана, и не распознанных, потому что они выходили за пределы числа страниц, которое можно распознать за один раз; число распознанных строк и символов; число областей и символов, которые не распознавались, потому что перекрывались с существующим текстом или аннотациями (все эти числа — в виде диапазонов); диапазоны доли вертикальных строк и строк с повышенной вероятностью ошибок; диапазоны времени на страницу и времени загрузки ИИ-модели; тип и версия ИИ-модели и была ли она скачана; спрашивал ли инструмент разрешения перед скачиванием ИИ-модели; диапазон разрешения отрисовки и было ли оно понижено; диапазон числа частей, на которые изображение делилось для поиска текста; превышало ли расчётное время 15 минут; стал ли GPU недоступен.