Как скопировать текст из PDF (и почему иногда выходит пусто)

Получится ли достать текст из PDF, зависит от того, как PDF был сделан. Откройте его и попробуйте выделить мышью одно слово — сразу станет понятно, какой у вас случай.

Случай 1: слова выделяются

В PDF настоящий текст. «PDF в текст» прочитает его постранично и выдаст простой файл .txt, а также поле, из которого можно скопировать. Отметьте Отмечать разрывы страниц, если нужно знать, где начинается каждая страница, — удобно для цитирования.

Случай 2: ничего не выделяется

PDF — это скан или фото. То, что выглядит как текст, — картинка текста, как фото газеты. Извлечение ничего не возвращает, потому что извлекать нечего.

Нужно OCR (оптическое распознавание символов), чтобы превратить картинку обратно в символы. Сначала пропустите файл через OCR PDF: он распознает слова на каждой странице и добавит их невидимым слоем. После этого PDF ведёт себя как обычный, и «PDF в текст» сможет его извлечь. На размытых или кривых сканах будут ошибки — проверяйте имена и цифры, прежде чем доверять.

Для одного абзаца быстрее телефон: на iPhone нажмите и удерживайте текст на фото (функция «Сканер текста»), на Android то же делает Google Lens.

Случай 3: текст есть, но перемешан

PDF хранит каждый кусочек текста с его положением на странице, а не сплошными абзацами. Чтобы восстановить порядок чтения, программа группирует кусочки в строки и сортирует сверху вниз. На обычных страницах это работает хорошо, хуже — на:

• Двухколоночной вёрстке, где строки двух колонок могут перемежаться.
• Таблицах, которые выходят строками значений без сетки.
• Тексте под углом или по кривой.

Для короткого фрагмента обычно чище всего выделить и скопировать прямо в программе просмотра — вы сами выбираете область. Для всего документа извлеките всё и приведите в порядок в текстовом редакторе.

Странные символы

Если видите квадратики, вопросительные знаки или лигатуры вроде «fi» вместо «fi», PDF использует шрифт без правильной таблицы символов. Лигатуры быстро исправляются поиском с заменой; недостающие символы без OCR обычно не восстановить.