Извлечь текст из PDF

Что делает инструмент

Извлечение текста из PDF — частая задача: переслать содержание договора в чат, скопировать книгу для обработки, экспортировать научную статью для последующей цитаты. Acrobat Reader умеет копировать текст, но только постранично; здесь — сразу весь PDF в один файл.

Используется pdfjs-dist — это та же библиотека, что встроена в Firefox для рендеринга PDF. Она проверена на миллионах документов и поддерживает все стандартные PDF (с текстовым слоем). Работа полностью в браузере: PDF не отправляется на сервер.

Когда работает / не работает

Инструмент работает когда в PDF есть текстовый слой:

• ✅ Сгенерированные PDF (из Word, LibreOffice, LaTeX, веб-страниц) — текст выделяется в Acrobat, мы его извлечём.
• ✅ Сканы с уже примененным OCR — если над сканом провели распознавание (Adobe Acrobat OCR, ABBYY FineReader), текстовый слой есть и работает.

Не работает когда текстового слоя нет:

• ❌ Чистые сканы — каждая страница это просто JPEG/TIFF в обёртке PDF. Нужно OCR.
• ❌ PDF из фото с телефона — то же самое, нет текстового слоя.
• ❌ Зашифрованные PDF с защитой от копирования — pdfjs-dist уважает permission flags (но это легко обходится в платных инструментах; мы соблюдаем).

pdf.js extracts text content per-page via getTextContent(). Each text item has x/y coordinates from the PDF's content stream, allowing reconstruction of reading order via positional heuristics.— Mozilla pdf.js documentation

Форматы вывода

• Plain text — без разделителей. Используйте для последующей обработки: индексация, корпус для NLP, копирайтинг.
• С разделителями страниц — добавляется --- Page N --- между страницами. Самый удобный для чтения и быстрого поиска.
• JSON — массив { page: N, text: "..." }. Для разработчиков, импорта в Python/Node.js скрипты.

Особенности и ограничения

• Порядок чтения. Reconstructed по координатам Y → X. На двухколоночных документах (научные статьи в LaTeX) может быть путаница — колонки сольются в одну строку. Для обычных документов работает хорошо.
• Сноски и колонтитулы. Извлекаются как отдельные строки, перемежаются с основным текстом. Для чистого извлечения — потребуется ручная правка или специализированный парсер.
• Таблицы. Текст внутри таблицы извлекается, но без структуры — ячейки превращаются в обычные строки, разделённые пробелами/переводами. Для сохранения табличной структуры используйте PDF → Excel / DOCX (план).
• Лигатуры и спец-символы. Обычно работают (Unicode), но кастомные шрифты могут давать «глюки» — символы вне таблицы Unicode остаются как есть.