Преобразовать PDF в текст

Извлеките текстовый слой из PDF и сохраните его в обычный .txt с сохранением порядка чтения и колонок.

Перетащите файлы сюда

.pdf · до 300 МБ

Выберите файлы

Сплошные абзацыСохранить разметку страницы

Больше настроек

СтраницыОтмечать разрывы страницСоединять переносы словКодировка

Как извлечь текст

1
Добавьте PDF
Перетащите один файл или до двадцати. Документ открывается вашим браузером, файл не уходит по сети.
2
Выберите поток или сохраненную верстку
Поток собирает абзацы для чтения и редактирования. Сохраненная верстка оставляет слова на своих местах на странице, вместе с пробелами.
3
Скачайте .txt
Нажмите кнопку и сохраните файл. Пакет PDF возвращается одним ZIP с текстовыми файлами.

Порядок чтения берется со страницы, а не из файла

PDF хранит текст как тысячи фрагментов с координатами, нарисованных в любом порядке, который выбрала программа, создавшая документ. Если читать их в этом сыром порядке, двухколоночная статья превращается в чередование половинок предложений. Этот инструмент игнорирует порядок внутри файла и заново собирает страницу: фрагменты группируются в строки по базовой линии, строки собираются в колонки по пустым «желобам», идущим вниз по странице, а колонки читаются слева направо. Абзацы заканчиваются там, где вертикальный зазор становится больше обычного межстрочного интервала, а слова, перенесенные через строку с дефисом, склеиваются обратно. В итоге получается текст, который можно сразу вставить в письмо, переводчик или скрипт, не вычищая его вручную.

Верстка, кодировки и диапазоны страниц

Поточная верстка подходит для чтения: один абзац в блоке, без рваных переносов строк. Сохраненная верстка удерживает исходную геометрию страницы, добавляя пробелы. Это нужно для чеков, списков, кода и любых текстов, где важны колонки. На выходе — UTF-8 по умолчанию, вариант с BOM для старых утилит под Windows и Windows-1251 для устаревших кириллических систем. Если в выбранную кодировку не помещается слишком много символов, инструмент предупредит об этом до записи файла, а не после. Маркеры страниц можно выключить, а вместо всего документа извлечь только нужный диапазон, например 1-3, 5.

Документ не покидает ваше устройство

Извлечение работает прямо во вкладке браузера: PDF разбирается в памяти, там же собирается текст, а готовый .txt сразу отправляется в папку загрузок. Ничего не загружается на сервер, ничего не ставится в очередь, не остается копии, которую пришлось бы потом удалять. Закройте вкладку — и следов не останется. Поэтому через инструмент безопасно пропускать договоры и медицинские карты.

Частые вопросы

Почему из отсканированного PDF ничего не извлекается?

Потому что скан — это картинка с текстом, а не сам текст. В таком файле нет текстового слоя, который можно было бы извлечь, поэтому вы получаете понятное сообщение и ссылку на OCR, который распознает буквы на изображении и делает документ поисковым. После распознавания извлечение работает как обычно.

В чем разница между потоком и сохраненной версткой?

Поток склеивает строки обратно в абзацы и убирает исходные переносы строк, так удобнее читать и редактировать. Сохраненная верстка оставляет каждое слово на своей позиции на странице, выравнивая пробелами. Это лучше для таблиц, чеков и текстов с фиксированной шириной колонок.

Как обрабатываются колонки и таблицы?

Колонки определяются по пустому промежутку между ними, поэтому левая колонка читается целиком до начала правой. Строки таблицы остаются строками: сетка из узких ячеек не принимается за колонки, и ячейки одной строки сохраняются на одной линии текста.

Исправляются ли переносы слов с дефисом?

Да, в поточной верстке. Слово, разорванное переносом вроде infor- в конце строки и mation в начале следующей, склеивается обратно в information. Настоящие дефисы внутри слов, как в de-hyphenation, остаются без изменений.

Поддерживается ли кириллица, арабский и китайский?

Да. Текст записывается в UTF-8, поэтому сохраняется любая письменность из PDF, включая кириллицу, греческий, арабский, иврит, японский, корейский и китайский. Windows-1251 предлагается только для устаревших кириллических процессов, которым она нужна.

Что происходит с форматированием?

Оно теряется, потому что в .txt нет форматирования. Жирный шрифт, цвета, размеры шрифта, изображения и таблицы не сохраняются. Если нужно оставить заголовки, списки и ссылки как структуру, конвертируйте PDF в Markdown или в Word, чтобы получить полноценно редактируемый документ.

Файл загружается на сервер?

Нет. Вся обработка идет в вашем браузере на его собственном PDF-движке. Файл никуда не отправляется, не требует аккаунта и продолжит обрабатываться, даже если соединение прервется посреди большого документа.

Какой максимальный размер PDF можно обработать?

До 2 ГБ на файл и до двадцати файлов за раз. Страницы обрабатываются по одной, без отрисовки, поэтому даже пятисотстраничный документ укладывается в несколько сотен мегабайт памяти.