Не копируется текст из PDF? Почему так происходит и как получить текст

Если вы не можете выделить слова в PDF, скорее всего, страницы представляют собой изображения текста: скан или фотографию, а не текст. Перетащите файл в PDF в текст. Если инструмент найдёт слова, скопируйте их оттуда. Если он сообщит, что текст не найден, страницы нужно обработать с помощью OCR (оптического распознавания символов), который считывает буквы с изображения. Оба шага выполняются в вашем браузере, файл никуда не загружается.

PDF в текстНужно достать текст из PDFСделать бесплатно

Текстовый PDF или отсканированный PDF

Текстовый PDF хранит каждую букву как символ, с шрифтом и положением на странице. Отсканированный PDF хранит каждую страницу как одно изображение, как и фотография, поэтому выделить там нечего. Бывают и смешанные файлы: напечатанные страницы с отсканированной подписью или скан формы с напечатанным заголовком.

Проверьте это в программе просмотра: попробуйте выделить одно слово. Если выделение следует за буквами, текст есть. Если можно выделить только всю страницу или не выделяется ничего, страница представляет собой изображение.

Что вы видите	Что это обычно значит	Что делать
Слова выделяются и копируются	Текстовый PDF	Копируйте напрямую или используйте PDF в текст для всего файла
Ничего не выделяется, и PDF в текст не находит текст	Отсканированные или сфотографированные страницы	Преобразуйте страницы в изображения, затем запустите OCR
Слова выделяются, но вставляются как непонятные символы	Шрифты неправильно сопоставляют буквы с символами	Попробуйте PDF в текст; если результат всё равно искажён, используйте OCR
Программа просмотра блокирует выделение	Ограничение на копирование, заданное автором	См. раздел об ограничениях

Почему PDF не даёт копировать текст

Копирование блокируют три причины, и у каждой свой способ решения:

• Страницы являются отсканированными изображениями. Текста в файле попросту нет, поэтому вернуть его можно только с помощью OCR.
• Для открытия файла нужен пароль. Пока вы не откроете файл паролем, который у вас есть, в программе, которой обычно пользуетесь, его нельзя прочитать. Инструменты здесь не пытаются открывать защищённые файлы.
• Автор установил ограничение на копирование. Некоторые PDF запрещают программам просмотра разрешать копирование и редактирование. Это настройка, которую выбрал автор, и fixmint её не обходит. Если у вас есть на это право, попросите версию без ограничений или экспортируйте её из программы, в которой создан файл.

Получите текст из текстового PDF

1. Перетащите PDF в поле на странице PDF в текст и дождитесь, пока обработается каждая страница.
2. Проверьте количество страниц и слов, которое появится.
3. Включите «Метки страниц», если хотите, чтобы каждая страница была подписана. Для обычного текста оставьте выключенным.
4. Скопируйте текст или скачайте его в виде файла .txt.

Колонки, таблицы и заголовки могут идти в другом порядке, потому что PDF хранит место, где нарисован каждый фрагмент текста, а не то, к какому абзацу он относится. Если каждая строка заканчивается жёстким переносом, прочитайте почему текст, скопированный из PDF, ломается в конце каждой строки, затем вставьте текст в Исправить вставленный текст, который объединит строки каждого абзаца.

Получите текст из отсканированного PDF

Для отсканированных страниц нужно два шага: сначала превратить каждую страницу в изображение, а затем распознать текст на каждом изображении. Тот же шаг распознавания работает для скриншота или фотографии, как объясняется здесь.

1. Перетащите PDF в PDF в JPG. Для текста выбирайте PNG, потому что он сохраняет чёткие края букв, а для мелкого шрифта выбирайте 300 DPI. Выберите только нужные страницы или оставьте все.
2. Скачайте страницы. Каждая сохраняется как отдельное изображение, либо все они приходят одним ZIP-архивом.
3. Откройте Распознавание текста с изображения и перетащите первую страницу. Слова появятся после распознавания страницы. Слова, в которых движок не уверен, выделяются красным.
4. Повторите для каждой страницы по порядку. Включите «Объединять строки в абзацы», чтобы убрать переносы строк, и скопируйте результат.
5. Перед использованием сверьте каждое число, имя и дату со страницей.

Распознавание текста с изображения работает с одним изображением за раз и только с английским языком. При запуске инструмент загружает с сайта движок OCR и его английскую языковую модель, а затем изображение распознаётся на вашем устройстве. Большая или медленная страница может обрабатываться некоторое время, поэтому дождитесь результата, прежде чем копировать. Лучше всего распознаются резкие, ровные страницы с равномерным освещением. Обрежьте края фотографии и держите камеру ровно над страницей.

Частые ошибки

• Сохранение текстовых страниц в JPG. JPG размывает края букв, и точность распознавания падает. Для страниц только с текстом лучше PNG.
• Доверие OCR без проверки. Распознавание не бывает идеальным. Сверяйте числа и имена со страницей.
• Ожидание, что таблицы останутся таблицами. OCR читает строки, поэтому таблица может превратиться в список. Сравнивайте результат со страницей.
• Использование OCR для рукописного текста. Распознавание текста с изображения создано для печатного текста. Рукописный текст обычно распознаётся плохо, поэтому такие фрагменты лучше перепечатать вручную.

Частые вопросы

OCR загружает мои отсканированные страницы?

Нет. Страница распознаётся в вашем браузере, а изображение никогда не отправляется на сервер. Сайт передаёт в ваш браузер движок OCR и его английскую языковую модель, а распознавание происходит уже там.

Что делать, если на некоторых страницах нет текста?

Включите «Метки страниц» в PDF в текст. Страница, под меткой которой ничего не показано, является сканом, а напечатанные страницы показывают свой текст. Пропустите только эти страницы через PDF в JPG и Распознавание текста с изображения, затем верните результаты в правильном порядке.

Почему скопированный текст ломается в конце каждой строки?

PDF хранит каждую напечатанную строку отдельно, поэтому при копировании эти переносы сохраняются. Используйте «Исправить вставленный текст», чтобы объединить строки каждого абзаца. Руководство по переносам строк объясняет, почему это происходит.

Может ли Распознавание текста с изображения читать рукописный текст или другие языки?

Инструмент создан для печатного английского текста на латинице, а рукописный текст обычно распознаётся плохо. Другие алфавиты, например арабский, китайский или кириллица, не поддерживаются.