MyDevTools
RU

PDF в текст

Извлечение текстового слоя PDF в файлы .txt в UTF-8 прямо в браузере, с сопоставлением шрифтов Unicode и пакетной обработкой. Без загрузки и без OCR.

Введённые данные и файлы остаются в браузере

Загрузить PDF

или выберите файл на устройстве

На этой странице

Извлекайте текстовый слой PDF в обычные файлы .txt в UTF-8 прямо в браузере — для поиска, сравнения версий или передачи текста скриптам. Ничего не загружается на сервер, OCR не используется.

Подробное описание функциональности

Инструмент читает команды вывода текста на каждой странице и декодирует символы через карту ToUnicode шрифта, встроенную таблицу cmap TrueType или кодировку WinAnsi, поэтому кириллица и другой нелатинский текст извлекаются правильно, если PDF содержит такое сопоставление. Новая строка начинается там, где PDF переходит на следующую строку, а страницы разделяются пустой строкой.

Сканированные PDF содержат только изображения и дают пустой текст, потому что OCR нет. Многоколоночная вёрстка и таблицы выводятся в том порядке, в каком текст хранится в файле, а пробелы между словами зависят от того, как был создан PDF. PDF, защищённые паролем, отклоняются с понятным сообщением.

Можно добавить сразу несколько PDF: они обрабатываются по очереди в Web Worker с индикатором прогресса, Отмена сразу всё останавливает, а в каждой готовой строке появляется Скачать TXT, которая сохраняет <name>.txt.

Практические примеры

Документ на две страницы: PDF со страницами «Second doc page A» и «Second doc page B» даёт Second doc page A, пустую строку и Second doc page B.

Большой файл: PDF на 2500 страниц размером 5.44 MB даёт big.txt на 36 KB, а страница при этом не зависает.

Скан договора: PDF из изображений страниц даёт пустой .txt — сначала распознайте его OCR в другом инструменте.

Файл с паролем: появляется сообщение «locked.pdf: PDF защищён паролем и не может быть обработан.», а остальные файлы пакета всё равно обрабатываются.

Как использовать этот инструмент

  1. Добавьте PDF-файлы

    Нажмите Выбрать файл или перетащите один или несколько PDF в зону Загрузить PDF. Они появятся в блоке Файлы для обработки.

  2. Извлеките текст

    Нажмите Извлечь текст. Индикатор прогресса показывает текущий файл; Отмена останавливает пакет.

  3. Скачайте текст

    Нажмите Скачать TXT в строке, чтобы сохранить <name>.txt (UTF-8).

Советы и лучшие практики

  • Если результат пустой, скорее всего, это скан: текстового слоя для извлечения нет.
  • Нечитаемые символы означают, что в PDF нет пригодного сопоставления шрифта с Unicode; копирование из просмотрщика PDF обычно сбоит так же.
  • Таблицы и колонки выводятся в порядке хранения, поэтому проверьте порядок строк, прежде чем разбирать текст скриптами.
  • При повторном нажатии Извлечь текст уже обработанные файлы пропускаются, так что в тот же список можно добавлять новые файлы.