Извлечь текст из PDF онлайн

Извлеките текстовый слой PDF или распознайте текст на отсканированных страницах с помощью OCR и сохраните его как обычный текст.

Язык OCR:

Для отсканированных PDF выберите язык документа перед загрузкой. Если изменить его позже, текущий файл будет распознан заново.

Выберите PDF-файл или перетащите его сюда

Извлекает текст и поддерживает OCR для отсканированных PDF

🔤

Декодирование шрифтов через CMap

Использует таблицы символов (CMap) PDF.js для декодирования многих восточноазиатских шрифтов и шрифтов с нестандартной кодировкой. В PDF с неполными данными шрифтов всё равно могут появляться неверные символы.

👁️

OCR для сканов

Страницы почти без извлекаемого текста распознаются с помощью OCR Tesseract.js. Точность зависит от качества скана, языка и вёрстки.

🔒

Обработка в браузере

Документы анализируются локально в памяти браузера.

Как пользоваться

Сначала инструмент читает текстовый слой, сохранённый в PDF. Если на странице почти нет текста, как в отсканированном документе, она отрисовывается как изображение и распознаётся с помощью OCR в вашем браузере. Движок OCR и языковые данные загружаются с leedybox.com при первом запуске OCR; сам PDF не загружается на сервер.

Выберите язык OCR до того, как добавите файл, чтобы отсканированные страницы читались с правильным алфавитом. Он заранее настроен на язык этой страницы.
Нажмите на область загрузки или перетащите на неё PDF-файл. Извлечение начинается сразу и обрабатывает страницы по одной.
Страницы с текстовым слоем читаются напрямую. Страница почти без текста, например скан, рисуется как изображение и распознаётся с помощью OCR, что занимает больше времени; индикатор выполнения показывает, какая страница сейчас читается.
Проверьте результат в текстовом поле. Каждая страница начинается со строки вида --- Страница 1 ---.
Нажмите «Копировать текст» или «Сохранить как .TXT», чтобы сохранить результат, или «Изменить файл», чтобы прочитать другой PDF.

Частые вопросы

Почему извлечённый текст иногда выглядит как набор символов?

Некоторые PDF хранят символы в нестандартных кодировках шрифтов. LeedyBox загружает таблицы CMap, чтобы декодировать многие из них, но шрифты без корректного сопоставления с Unicode всё равно могут давать неверные символы. Сверяйте результат с исходным документом.

Работает ли это со сканами?

Да. Если на странице почти нет текстового слоя, встроенный движок OCR Tesseract.js распознаёт символы на изображении страницы. Рукописный текст, сканы низкого разрешения, необычные шрифты и языки, не входящие в выбранную настройку OCR, снижают точность.

Сохраняется ли разметка таблиц и колонок?

Не полностью. Результат — обычный текст, поэтому таблицы, колонки и текстовые блоки разворачиваются в строки, а порядок чтения может отличаться от того, что вы видите на странице.

Загружается ли мой PDF куда-нибудь?

Нет. Текст читается в вашем браузере. Когда странице нужно OCR, движок OCR и языковые данные загружаются с leedybox.com, но сам PDF никуда не отправляется.

Какой язык OCR выбрать для документа на двух языках?

Выберите вариант с основным языком документа; все варианты, кроме «Только английский», распознают и английский. Текст на невыбранном языке часто читается неправильными символами.

Почему OCR работает медленно?

После загрузки движка OCR и языковых данных каждая отсканированная страница распознаётся в браузере по одной. На медленном устройстве одна страница может занять несколько секунд и больше, поэтому длинный отсканированный документ требует терпения.