Попробуйте выделить несколько слов
Откройте документ в PDF-просмотрщике, выделите короткий фрагмент и попробуйте скопировать его в текстовое поле. Если вместо букв выделяется только область страницы или копирование ничего не даёт, это повод проверить наличие текстового слоя. Один удачный фрагмент ещё не подтверждает все страницы.
Обычный скан хранит изображение. Скан после отдельного OCR может дополнительно содержать текстовый слой. Поэтому происхождение файла и его внешний вид сами по себе не определяют результат: важно, какие данные доступны внутри конкретного PDF.
| Документ | Что ожидать от извлечения |
|---|---|
| PDF с доступным текстом | Текст может быть извлечён и проверен |
| Скан без текстового слоя | Изображение не превратится в слова |
| Смешанный PDF | На части страниц текст может отсутствовать |
Извлеките существующий текст
Инструмент «Текст из PDF» работает в браузере и читает доступный текст всех страниц. Он принимает PDF до 25 МБ и 200 страниц; извлечённое содержимое ограничено двумя миллионами символов. Защищённые или повреждённые документы могут не открыться.
Если ни на одной странице нет доступного текста, интерфейс сообщает об этом и не создаёт пустой успешный результат. Это не доказательство неисправности документа. Для скана без текстового слоя требуется отдельное OCR-распознавание, которого у этой операции нет.
- Откройте PDF и выберите TXT или JSON.
- Выполните извлечение и прочитайте сообщение результата.
- Сравните текст первой, последней и нескольких промежуточных страниц с оригиналом.
Выберите результат с удобной структурой
TXT в UTF-8 подходит для чтения, копирования и последующей очистки. В общем тексте есть подписи страниц. JSON содержит общий текст и список страниц с их номерами и текстом; он удобен, когда важно отделить содержимое одного листа от другого.
В смешанном документе текст на отдельных страницах может быть пустым. Не считайте такой лист пустым визуально: на нём может находиться изображение, схема или скан. Проверяйте результат по страницам, особенно если используете его для поиска нужного фрагмента.
На первой странице есть текст, на второй — только скан.
{"pages":[{"page":1,"text":"Текст первой страницы"},{"page":2,"text":""}]}Пустой текст второй страницы не означает отсутствия изображения в исходнике.
Сверьте порядок строк и столбцов
В PDF блоки текста могут храниться не в том порядке, в котором вы читаете страницу. Поэтому две колонки иногда соединяются неудобно, а строка таблицы распадается на отдельные фрагменты. Извлечение не восстанавливает универсальную сетку ячеек и не создаёт книгу Excel.
Сначала сравните последовательность абзацев с оригиналом. Только затем убирайте лишние пробелы и переносы в очистке текста. Если убрать пустые строки до проверки, границы разделов могут стать менее заметными. Подсчёт символов помогает оценить объём, но не подтверждает полноту документа.
Если доступен только скан
Сначала запросите исходный текстовый документ или PDF, экспортированный из него с текстом. Если есть только изображение страниц, понадобится инструмент OCR с последующей ручной проверкой. Не пытайтесь получить слова сменой расширения или повторным извлечением того же слоя.
Преобразование PDF в изображения сохраняет страницы как картинки, но не добавляет распознанный текст. «Фото в Excel» — отдельный редактор снимка таблицы JPG или PNG, а не распознаватель всего PDF.
Сохраняйте оригинал рядом с выгрузкой. Проверяйте знаки, порядок значений и пропуски после очистки: аккуратный вид TXT не подтверждает полноту извлечения.
Вопросы и ответы
PDF из Word обычно содержит доступный текст?
Может содержать, если сохранён с текстом, а не картинками страниц. Проверьте выделение и фактическое извлечение.
OCR запускается автоматически при пустом результате?
Нет. Инструмент извлекает существующий слой и не переключается на распознавание изображений.
Можно ли сохранить номера страниц?
Да. JSON содержит номера и текст отдельных страниц; в общем TXT также добавляются подписи страниц.
Почему в JSON часть страниц без текста?
У этих страниц может не быть доступного слоя. Изображения остаются в оригинале, но их буквы здесь не распознаются.
Получится ли сохранить таблицу как Excel?
Нет. Эта операция создаёт TXT или JSON, а не структурированную таблицу XLSX.
Очистка пробелов исправит перепутанные колонки?
Нет. Сначала вручную проверьте порядок фрагментов по оригиналу; удаление пробелов не понимает структуру колонок.