Не копіюється текст із PDF? Чому так стається і як отримати текст

Якщо ви не можете виділити слова у PDF, найімовірніше, сторінки є зображеннями тексту: це скан або фото, а не текст. Перетягніть файл в інструмент «PDF у текст». Якщо там знайдуться слова, скопіюйте їх звідти. Якщо інструмент повідомить, що текст не знайдено, сторінкам потрібне розпізнавання OCR (оптичне розпізнавання символів), яке зчитує літери із зображення. Обидва кроки виконуються у вашому браузері, файл ніколи не завантажується.

PDF у текстПотрібен текст із PDFБезкоштовно

Текстовий PDF чи PDF зі скану

Текстовий PDF зберігає кожну літеру як символ зі шрифтом і положенням на сторінці. PDF зі скану зберігає кожну сторінку як одне зображення, так само як фото, тож виділяти нічого. Деякі файли поєднують обидва типи: надруковані сторінки з відсканованим підписом або скановану форму з надрукованим заголовком.

Перевірте це у програмі для перегляду, спробувавши виділити одне слово. Якщо підсвічування йде за літерами, текст є. Якщо можна виділити лише всю сторінку або взагалі нічого, сторінка є зображенням.

Що ви бачите	Що це зазвичай означає	Що робити
Слова виділяються і копіюються	Текстовий PDF	Копіювати напряму або використати «PDF у текст» для всього файлу
Нічого не виділяється, а «PDF у текст» не знаходить тексту	Скановані або сфотографовані сторінки	Відрендерити сторінки, потім запустити OCR
Слова виділяються, але вставляються як дивні символи	Шрифти некоректно відповідають літерам	Спробувати «PDF у текст»; якщо результат і далі спотворений, використати OCR
Переглядач блокує виділення	Обмеження на копіювання, встановлене автором	Див. розділ про обмеження

Чому з PDF не копіюється текст

Три причини не дають копіювати, і кожна має свою відповідь:

• Сторінки є сканованими зображеннями. Тексту у файлі немає взагалі, тому відновити його можна лише через OCR.
• Для відкриття файлу потрібен пароль. Його не можна прочитати, доки ви не розблокуєте його паролем, який маєте, у програмі, якою зазвичай користуєтеся. Інструменти тут не намагаються відкривати заблоковані файли.
• Автор встановив обмеження на копіювання. Деякі PDF забороняють переглядачам дозволяти копіювання чи редагування. Це налаштування, яке обрав автор, і fixmint його не обходить. Якщо ви маєте на це право, попросіть незахищену копію або експортуйте її з програми, у якій створено файл.

Як отримати текст із текстового PDF

1. Перетягніть PDF у поле на сторінці PDF у текст і зачекайте, поки прочитається кожна сторінка.
2. Перевірте кількість сторінок і слів, що з'являться.
3. Увімкніть Мітки сторінок, якщо хочете позначати кожну сторінку. Для простого тексту вимкніть.
4. Скопіюйте текст або завантажте його як файл .txt.

Стовпці, таблиці та заголовки можуть опинитися в іншому порядку, бо PDF зберігає місце, де намальовано кожен фрагмент тексту, а не те, до якого абзацу він належить. Якщо кожен рядок закінчується жорстким переносом, прочитайте чому текст, скопійований із PDF, ламається на кожному рядку, а потім вставте текст у Виправлення вставленого тексту, який з'єднає рядки кожного абзацу.

Як отримати текст із PDF зі скану

Сторінки зі скану потребують двох кроків: спочатку зберегти кожну сторінку як зображення, а потім прочитати текст на кожному зображенні. Той самий крок розпізнавання працює для скриншота чи фото, як пояснено тут.

1. Перетягніть PDF у PDF у JPG. Для тексту виберіть PNG, бо він зберігає чіткі краї літер, а для дрібного шрифту виберіть 300 DPI. Виберіть лише потрібні сторінки або залиште всі.
2. Завантажте сторінки. Кожна зберігається як окреме зображення, або всі вони прийдуть одним архівом ZIP.
3. Відкрийте Розпізнавання тексту з картинки і перетягніть першу сторінку. Слова з'являться після розпізнавання сторінки. Слова, у яких движок невпевнений, позначаються червоним.
4. Повторіть для кожної сторінки по порядку. Увімкніть Об'єднати рядки в абзаци, щоб прибрати переноси рядків, і скопіюйте результат.
5. Перш ніж на них покладатися, перевірте кожне число, ім'я та дату за сторінкою.

Розпізнавання тексту з картинки обробляє по одному зображенню за раз і розпізнає лише англійську мову. Інструмент завантажує движок OCR та його англійську модель із сайту на початку роботи, а зображення потім розпізнається на вашому пристрої. Велика або повільна сторінка може оброблятися довго, тож дочекайтеся результату перед копіюванням. Найкраще читаються чіткі, рівні, добре освітлені сторінки. Обріжте краї фото і тримайте камеру паралельно до сторінки.

Поширені помилки

• Збереження текстових сторінок як JPG. JPG розмиває краї літер, що знижує точність. Для сторінок лише з текстом краще PNG.
• Довіра до OCR без перевірки. Розпізнавання не ідеальне. Звіряйте числа та імена зі сторінкою.
• Очікування, що таблиці залишаться таблицями. OCR читає рядки, тому таблиця може стати списком. Порівняйте результат зі сторінкою.
• Використання OCR для рукопису. Розпізнавання тексту з картинки створено для друкованого тексту. Рукопис зазвичай розпізнається погано, тож такі частини краще передрукувати вручну.

Питання та відповіді

Чи завантажуються мої відскановані сторінки під час OCR?

Ні. Сторінка розпізнається у вашому браузері, зображення ніколи не надсилається на сервер. Сайт передає движок OCR та його англійську модель у ваш браузер, а розпізнавання відбувається там.

Що робити, якщо лише на деяких сторінках немає тексту?

Увімкніть Мітки сторінок у «PDF у текст». Сторінка, під якою нічого не показано, є сканом, тоді як надруковані сторінки показують свій текст. Проженіть через «PDF у JPG» і «Розпізнавання тексту з картинки» лише ці сторінки, а потім поставте результати на місце за порядком.

Чому скопійований текст ламається в кінці кожного рядка?

PDF зберігає кожен надрукований рядок окремо, тож копіювання зберігає ці переноси. Скористайтеся «Виправленням вставленого тексту», щоб з'єднати рядки кожного абзацу. Посібник про переноси рядків пояснює, чому це відбувається.

Чи може «Розпізнавання тексту з картинки» читати рукопис або інші мови?

Інструмент створено для друкованої англійської мови на латиниці, а рукопис зазвичай розпізнається погано. Інші алфавіти, наприклад арабський, китайський чи кирилиця, не підтримуються.