Конвертувати PDF у текст
Безкоштовний інструмент, який видобуває текст із PDF і перетворює його на текстовий файл (TXT). Зі сторінок, що мають текст, він видобувається як є, а текст на сканованих сторінках розпізнається за допомогою OCR (оптичного розпізнавання символів). PDF обробляється у вашому браузері й ніколи не завантажується на сервер. OCR може за один раз розпізнати до 200 сторінок (до 30 сторінок на пристроях, де обробка триває довше). Можна відкривати PDF розміром до 200 МБ на файл (на телефонах і планшетах — до 100 МБ).
Лише якщо в PDF є сторінки без тексту (як-от скановані) або зі спотвореним текстом, під час першого запуску з цього сайту завантажується ШІ-модель (близько 17 МБ); згодом використовується копія, збережена в браузері. Ваші PDF ніколи не завантажуються на сервер.
Налаштування
Як користуватися
- 1
Додайте PDF
Виберіть або перетягніть PDF, які потрібно конвертувати в текст. Можна додати кілька PDF одночасно. Ваші PDF ніколи не завантажуються на сервер.
- 2
Виберіть мову документа й розриви сторінок
У «Мова документа» виберіть мову, якою написано PDF (використовується для розпізнавання сканованих сторінок). Щоб конвертувати лише деякі сторінки, введіть їх у «Діапазон сторінок». У «Розриви сторінок» виберіть, що ставити між сторінками.
- 3
Конвертуйте й збережіть
Натисніть «Запустити», щоб створити файл TXT із текстом PDF. Збережіть його кнопкою «Зберегти» або скопіюйте весь текст кнопкою «Копіювати текст». Якщо скановані сторінки було розпізнано, перевірте розпізнані рядки через «Перевірити розпізнаний текст».
Про конвертацію PDF у текст
Зі сторінок, що мають текст, він видобувається за допомогою PDFium — рушія PDF, який використовується й у Chrome, без ШІ-моделі. Сторінки без тексту й сторінки зі спотвореним текстом (виділений текст дає інші символи) розпізнаються моделлю розпізнавання тексту PaddleOCR (PP-OCRv6, Apache-2.0), що працює у вашому браузері. Лише тоді під час першого запуску з цього сайту завантажується ШІ-модель (близько 17 МБ); наступні запуски використовують копію, збережену в браузері. Для PDF, у яких текст мають багато сторінок, інструмент питає перед завантаженням ШІ-моделі. На пристроях, які не можуть використовувати GPU (WebGPU), обробка виконується на процесорі й триває довше, ніж на GPU.
Зі сторінок, що вже мають текстовий шар OCR, видобувається цей текст. На сторінках, де поєднано текст і зображення, текст видобувається, а частини, що не перекриваються з текстом, розпізнаються. Якщо сторінок для OCR більше, ніж можна розпізнати за один раз, сторінки без тексту розпізнаються від початку, а номери нерозпізнаних сторінок показуються. Збережений файл — це текстовий файл UTF-8 (.txt). У «Розриви сторінок» можна вибрати, що ставити між сторінками (за замовчуванням — розділювальний рядок на зразок «--- 1 / 3 ---»).
Характеристики цього інструмента
- Вхідні дані
- Результат
- TXT
- Обмеження
- Кількість файлів не обмежена (пакетна обробка). До 200 MB на файл (100 MB на телефонах і планшетах). До 200 сторінок за раз за допомогою OCR (30 на пристроях, що обробляють на процесорі; номери сторінок понад цю кількість показуються)
- Безкоштовно, без реєстрації, без встановлення застосунків
- Файли ніколи не завантажуються на сервер (обробка в браузері)
Поширені запитання
Чи надсилається мій PDF на сервер?
Ні. Відкриття PDF, видобування тексту й розпізнавання тексту на сканованих сторінках відбуваються в браузері на вашому пристрої. На сервер цього сайту надсилається статистика, яка допомагає нам виправляти помилки (діапазон кількості сторінок, діапазони кількості сторінок, з яких видобуто текст, і сторінок, розпізнаних за допомогою OCR, діапазон часу на сторінку, типи помилок тощо). Вона не містить вмісту PDF, видобутого тексту, розпізнаного тексту, назв файлів, паролів і введених діапазонів сторінок. Статистику можна вимкнути перемикачем «Надсилати статистику обробки» внизу сторінки.
Чи може він видобути текст зі сканованого PDF?
Так. Сторінки без тексту й сторінки зі спотвореним текстом розпізнаються за допомогою OCR (оптичного розпізнавання символів). Він розрахований на друкований текст, написаний горизонтально. Сторінки з вертикальним текстом він теж розпізнає, але з більшою кількістю помилок, ніж горизонтальний текст, і може пропускати розділові знаки. Рукописний текст не підтримується. Щоб зробити PDF доступним для пошуку й залишити його у форматі PDF, скористайтеся «OCR для PDF».
Чи може він видобути текст із PDF, захищеного паролем, або PDF з обмеженнями від автора?
Так. PDF, захищений паролем, відкривається після введення пароля для відкриття. Якщо автор обмежив копіювання й видобування, інструмент не видобуває текст, доки ви не введете пароль дозволів. Цей інструмент не підбирає паролі, тому якщо ви не знаєте пароля дозволів, зверніться до людини, яка створила PDF. Текстовий файл (TXT) не може мати пароля чи обмежень, тому збережений файл може відкрити будь-хто. Текст, прихований під примітками на зразок чорних прямокутників, теж видобувається, якщо він досі є у файлі як текст, тож щоб видалити текст із файлу, скористайтеся «Зачорнити PDF».
Чи може видобутий текст містити помилки?
Так. На сторінках, розпізнаних за допомогою OCR, деякі символи можуть бути розпізнані неправильно чи пропущені залежно від розміру тексту, роздільності сканування, плям або перекосу паперу. Числа, широко рознесені в таблицях, розпізнаються неправильно частіше, ніж інший текст. Якщо як мову документа вибрано «Японська», символи поза наборами кандзі JIS рівнів 1 і 2, а також емодзі можуть бути розпізнані як схожі на вигляд символи. Стовпці й таблиці можуть вийти в іншому порядку, ніж порядок читання. Сторінки, що мають текст, ідуть у порядку, збереженому в PDF, а на сторінках, розпізнаних за допомогою OCR, таблиця з довгими клітинками може вийти по одному стовпцю. Натисніть «Перевірити розпізнаний текст», щоб побачити рядки, розпізнані за допомогою OCR, обведені на сторінці; рядки з імовірнішими помилками показано іншим кольором.
Допоможіть покращити сервіс
Якщо конвертація чи стиснення не вдаються, надіслані нам обставини допомагають знайти причину. Знаючи, на яких пристроях і з якими форматами збої трапляються найчастіше та скільки триває обробка, ми можемо переглядати підтримувані формати й виправляти помилки, що за цим стоять. Якщо ви не проти, залиште це ввімкненим — це справді допомагає.
Що надсилається
- Інструмент, яким ви скористалися, і вибрані налаштування (формат результату, якість тощо)
- Характеристики пристрою (GPU, пам’ять, кількість ядер)
- Вхідний формат із приблизним розміром
- Скільки файлів оброблено успішно чи з помилкою і скільки часу це зайняло
- Тип і подробиці помилки, якщо щось не вдалося
Що ніколи не надсилається
- Самі файли та їхні назви
- Текст у PDF, текст, який ви замінили або зачорнили, паролі, назви шрифтів і введені вами діапазони сторінок
- Розпізнаний текст і розташування розпізнаних рядків
- IP-адреси
Дані надходять лише на власний сервер цього сайту й ніколи — до сторонніх сервісів.
Повний перелік, зокрема подробиці, які надсилає кожен інструмент, наведено в розділі «Статистика обробки» політики конфіденційності.
Подробиці, які надсилає цей інструмент (лише кількості, час, типи та так/ні)
Крім пунктів «Що надсилається», цей інструмент надсилає такі подробиці.
- Інструменти для PDF (усі)
- Діапазон кількості сторінок, чи обмежено редагування, чи було введено пароль дозволів і чи PDF підписано або зашифровано.
- PDF у текст
- Кількість вхідних і вихідних файлів, сторінок, з яких видобуто текст, сторінок, які вже мали текст OCR, сторінок, що поєднують текст і зображення, сторінок, прочитаних за допомогою OCR, прочитаних сторінок без знайденого тексту, сторінок зі спотвореним текстом, порожніх сторінок, сторінок, перевпорядкованих як вертикальний текст, сторінок із виправленою орієнтацією, сторінок, не прочитаних через те, що ШІ-модель не було завантажено, і сторінок, не прочитаних через перевищення кількості сторінок, які можна прочитати за раз, кількість прочитаних рядків і символів, а також ділянок і символів, не прочитаних через накладання на наявний текст або примітки (усе — діапазонами), діапазони частки вертикальних рядків і рядків з імовірнішими помилками, діапазони часу на сторінку та часу завантаження ШІ-моделі, тип і версія ШІ-моделі та чи її було завантажено, чи інструмент питав перед завантаженням ШІ-моделі, діапазон роздільності відтворення й чи її було знижено, діапазон кількості частин, на які ділилося зображення для пошуку тексту, чи перевищував оцінений час 15 хвилин і чи ставав GPU недоступним.