Извлечь текст из PDF

Бесплатный онлайн-инструмент извлекает текст из PDF и показывает его прямо на странице. Можно сразу скопировать всё в буфер обмена или скачать как .txt — без установки программ, без регистрации. Работает с обычными PDF (созданными из Word, Excel, экспортом из приложений) и в большинстве случаев умеет извлекать текст даже из PDF, защищённых от копирования стандартным паролем.

Под капотом — Poppler (утилита pdftotext), один из самых надёжных open-source движков для работы с PDF. Сохраняет порядок слов, абзацы и колонки. Если в PDF есть две колонки текста — получите текст в правильной последовательности, а не вперемешку. Для языков с не-латинскими символами (русский, китайский, арабский) корректно работает с UTF-8.

Самый частый сценарий — нужен кусок текста из PDF, который нельзя выделить мышью. PDF может быть защищён от копирования, или текст в нём «не выделяется» из-за нестандартных шрифтов. Конвертер pdf в txt вытаскивает текст и даёт скопировать любой кусок без танцев с бубном.

Второй сценарий — перевод документа. Google Translate ограничивает размер документа при вставке файла, но если вставить просто текст — лимит выше. Извлекли текст из pdf, разбили на куски по 5000 символов, прогнали через переводчик, склеили обратно.

Третий сценарий — анализ документа в ChatGPT, Claude или Yandex GPT. Большинство нейросетей лучше работают с обычным текстом, чем с PDF-вложениями: ответы точнее, контекст не теряется. Сначала извлечь текст из pdf, потом отправить в чат — стандартный пайплайн для работы с документами.

Четвёртый — поиск по тексту PDF в десктопных приложениях, которые не понимают PDF (например, древний редактор или специфичная утилита для парсинга текста). Преобразовали pdf в txt — и работаете с ним как с обычным файлом.

Качество результата зависит от того, как сделан исходный PDF. Если документ создан экспортом из Word, Excel или другой программы — внутри он содержит «настоящий» текст, и инструмент извлечёт его целиком: буква за буквой, в правильном порядке, с правильными переносами строк.

Если PDF — это скан или фотография страниц, текст внутри хранится как картинка. В этом случае pdftotext не сможет ничего извлечь — он увидит «картинку», а не «буквы». Для сканов нужен OCR (распознавание текста). У нас есть отдельный инструмент распознавания.

Колонки и таблицы. Извлекатель сохраняет логический порядок чтения: текст из левой колонки идёт перед правой, заголовки таблиц — перед строками. В сложных макетах (3+ колонок, перекрывающиеся блоки) порядок может немного отличаться от ожидаемого, но в 95% случаев работает корректно.

Шрифты и спецсимволы. Современные PDF используют Unicode, и инструмент сохраняет все символы как есть: ёлочки-кавычки, длинное тире, символы валют, формулы. Старые PDF (до 2000-х) иногда имеют кастомные кодировки шрифтов — в редких случаях символы могут отображаться как вопросики или прямоугольники.