Чтобы извлечь текст из PDF на Windows, сначала проверьте, выделяется ли в нём текст. Если да, скопируйте его в программе просмотра PDF или преобразуйте весь файл с помощью MD Factory. Если нет, страницы — это картинки, и текст нужно распознать с помощью OCR.
Для двух видов PDF нужны разные способы. Приведённые ниже шаги начинаются с проверки, которая покажет, какой файл у вас.
Проверьте, выделяется ли текст
Откройте PDF в Microsoft Edge, Chrome или Adobe Acrobat Reader. Нажмите Ctrl+F и найдите слово, которое видно на странице.
- Слово найдено и подсвечено: в PDF есть выделяемый текст.
- Ничего не найдено, или строка не выделяется при протягивании мыши: страница — это изображение текста.
В одном PDF может быть и то и другое. Печатный отчёт может заканчиваться отсканированными приложениями, поэтому проверьте страницу из середины и страницу из конца.
Копирование текста в программе просмотра PDF
Для нескольких абзацев это самый быстрый способ. Протяните мышь по тексту и нажмите Ctrl+C. Чтобы скопировать весь документ, нажмите Ctrl+A, затем Ctrl+C. Вставьте текст в Блокнот или Word сочетанием Ctrl+V.
В скопированном тексте часто есть разрыв в конце каждой строки, таблица превращается в отдельные строки, а на странице с двумя колонками текст одной колонки может смешаться с другой. Номера страниц и колонтитулы тоже копируются.
Откройте PDF в Word
Word может открыть PDF как редактируемый документ. Выберите «Файл» → «Открыть», укажите PDF и нажмите OK, когда Word предложит преобразовать файл. Microsoft пишет, что лучше всего это работает с PDF, в которых в основном текст, а строки и страницы могут разбиваться не так, как в оригинале. Эти шаги описаны в справке Microsoft о редактировании PDF.
Используйте этот способ, если хотите дальше редактировать текст в Word. Для простого текста или для многих файлов лучше преобразуйте их.
Преобразуйте весь PDF с помощью MD Factory
- Откройте MD Factory и нажмите «Добавить файлы» или перетащите PDF в окно. Чтобы преобразовать все PDF в папке, включая вложенные, нажмите «Добавить папку».
- Преобразование начинается сразу. Когда оно закончится, в строке появится «Готово», «Требуется проверка» или «Ошибка».
- Дважды щёлкните путь к результату в строке, чтобы открыть текст.
Текст сохраняется в файле с именем PDF и расширением .md в той же папке. Изображения из PDF попадают в папку рядом. Преобразование выполняется на вашем ПК.
Reports/
annual-report.pdf
annual-report.md
annual-report_images/Файл .md — обычный текст, поэтому его откроет Блокнот. Заголовки начинаются с #, а таблицы нарисованы символами |. В руководстве по преобразованию PDF в Markdown эти файлы объясняются подробнее.
Извлечение текста из PDF-скана
Добавьте PDF-скан так же. MD Factory находит страницы-картинки и распознаёт их текст с помощью OCR на вашем ПК. В PDF со смешанными печатными и отсканированными страницами печатный текст сохраняется как есть, а OCR запускается только для сканов.
OCR может ошибаться в блёклом, перекошенном или рукописном тексте. Если в строке «Требуется проверка» или «Ошибка», нажмите на статус, выберите язык документа в списке «Язык распознавания» и нажмите «Повторить». В руководстве по сканированным PDF описаны выбор языка и значение каждого сообщения.
Одну отсканированную страницу в Windows 11 можно распознать и в «Ножницах». Нажмите Windows+Shift+S, выделите область, затем выберите «Текстовые действия» и «Копировать весь текст». Microsoft сообщает, что текст распознаётся на вашем устройстве: см. Использование приложения «Ножницы» для создания снимков экрана.
Проверьте извлечённый текст
Каким бы способом вы ни пользовались, сверьте результат с PDF, прежде чем на него полагаться:
- Прочитайте текст на стыке колонок и страниц, чтобы проверить порядок предложений.
- Удалите номера страниц и колонтитулы, которые разрывают предложение.
- Сверьте с PDF все цифры, которые будете использовать: суммы, даты, номера документов.
- В таблице проверьте, что каждое значение стоит в нужной строке.
Текст из скана нужно проверять внимательнее всего: неверно прочитанная цифра выглядит так же правдоподобно, как верная.
Какой способ выбрать
| Способ | Подходит для | Ограничения |
|---|---|---|
| Копирование в программе просмотра | Несколько абзацев из PDF с выделяемым текстом | Сканы не читает. Разрывы строк и таблицы нужно править. |
| Открытие в Word | Текстовый PDF, который нужно редактировать как документ Word | Вёрстка может измениться. Лучше всего работает с PDF, где в основном текст. |
| MD Factory | Целые PDF, папки с PDF и сканы | Результат нужно сверить с PDF. |
| Ножницы | Одна страница скана или её часть в Windows 11 | За раз — одна область экрана. |
Вопросы
Можно ли извлечь текст из PDF, защищённого паролем?
MD Factory не преобразует PDF, защищённые паролем. Откройте PDF с паролем в программе просмотра, сохраните копию без пароля, если вам это разрешено, и преобразуйте копию.
Как извлечь текст из многих PDF сразу?
Нажмите «Добавить папку» в MD Factory. Для каждого PDF создаётся отдельный текстовый файл. Чтобы искать сразу по всем, см. как искать текст во многих файлах PDF и Word.
Сохраняет ли MD Factory вёрстку PDF?
Нет. Вы получаете текст с заголовками, списками и таблицами, но не внешний вид страницы. Если важна вёрстка, оставьте PDF.