Извлечь текст (Extract Text)
Открыть приложение: Извлечь текст из PDF → (products.documentize.app)
В одном предложении
«Извлечь текст» вытаскивает слова, которые уже есть внутри PDF, в простые файлы .txt в выбранном вами стиле форматирования.
Что в нём особенного
- Приложение читает существующий текст PDF и не «смотрит» на картинки. Поэтому оно быстрое и точное, без ошибок распознавания.
- Есть три режима форматирования (Pure, Raw, Flatten), которые определяют, как склеиваются строки и фрагменты.
- Если PDF несколько, приложение выдаёт ещё и общий текстовый файл и сводку по каждому файлу (число слов, фрагменты для предпросмотра).
Чем оно отличается от похожих приложений:
- Изображение в TXT (OCR Image): на входе картинки, на выходе текст, прочитанный с пикселей.
- Searchable: на входе скан, на выходе PDF со скрытым текстовым слоем.
- Парсер PDF (Parser): извлекает текст и изображения, вложения, закладки и многое другое в одном ZIP.
Когда использовать, а когда нет
- Используйте, чтобы перенести отчёт в редактор, передать текст другому инструменту, посчитать слова или быстро проверить, что на самом деле лежит в PDF.
- Не используйте для отсканированного PDF: результат будет пустым или почти пустым. Сначала запустите Searchable, потом «Извлечь текст». (В FAQ сайта упоминается параметр OCR для сканов, но на странице есть только элемент выбора форматирования; чтобы не ошибиться, используйте Searchable, проверьте в работающем приложении.)
- Не используйте, если нужны таблицы или координаты; попробуйте Парсер PDF или Searchable с выводом в Excel.
Прежде чем начать
- Убедитесь, что в PDF есть выделяемый текст (попробуйте выделить слово в просмотрщике).
- Если файл заблокирован, снимите пароль через Разблокировка PDF (Unlock).
- Решите, как вы будете использовать текст: читать (Pure), сохранить максимум верности порядку, в котором он лежит в файле (Raw), или упорядочить по положению на странице (Flatten).
Пошагово
- Откройте «Извлечь текст» и загрузите один или несколько PDF («Загрузите PDF для извлечения текста»).
- В списке Select Formatting Mode выберите Pure, Raw или Flatten.
- Нажмите «Извлечение».
- Скачайте .txt (или ZIP, если файлов несколько). Кнопка «Извлечь снова» запускает новую задачу.
📷 Заглушка для скриншота: выпадающий список режимов форматирования
Параметры
| Параметр | Что делает | По умолчанию | Рекомендация |
|---|---|---|---|
| Pure | Текст с несколькими процедурами очистки для удобного чтения | выбран | Повседневное использование |
| Raw | Текст без какого-либо форматирования, ровно в том виде, как он хранится в файле | - | Когда Pure склеивает или разрывает строки не так, как вам нужно |
| Flatten | Расставляет фрагменты текста по их координатам на странице | - | Формы, колонки и макеты, где порядок чтения выглядит неправильно |
Что вы получите
- По одному .txt на каждый PDF с именем исходного файла.
- Если PDF больше одного, добавляется общий файл combined_extracted_text.txt: в нём перечислен каждый файл с режимом и статистикой слов и строк, а затем его текст. Файлы, которые не удалось обработать, указаны там вместе с ошибкой, и работа не останавливается.
- На странице также появляются итоговые цифры (слова, символы, число успехов и ошибок).
- Исходный PDF не изменяется.
Качество и ограничения
- Без потерь для текста: ничего не угадывается, но шрифты, изображения, таблицы и макет не сохраняются.
- Текст, спрятанный в картинках, не находится. Необычные шрифты или повреждённые кодировки могут давать странные символы.
- Каждый файл обрабатывается отдельно, поэтому лимит времени на бесплатном плане может остановить большую пачку и предложить продолжение позже (по умолчанию примерно 12 часов ожидания). Результаты хранятся около двух дней.
Хорошо сочетается с
- До него: Searchable (для сканов), Разблокировка PDF, Разделение PDF (Splitter) (только нужные страницы).
- После него: ваш текстовый редактор; Поиск в формате PDF (Search), если нужен PDF с пометками. Чтобы разобраться в содержании, используйте Ask PDF или Abstracts.
- Рецепты: Оцифровка архива, В таблицу.
Типичные ошибки и как их исправить
- «Файл .txt пуст» → PDF — это скан; сначала используйте Searchable.
- «Строки обрываются в странных местах» → попробуйте Raw или Flatten.
- «Колонки перемешались» → попробуйте Flatten или Парсер PDF.
- «Я получил ZIP, а не один файл» → из нескольких PDF получается по одному текстовому файлу на каждый плюс общий файл.
То же самое в других местах
- Плагин CLI: Documentize.ExtractText.
- Инструмент MCP: ExtractText (с настройкой режима форматирования текста).
- См. За пределами браузера.
Попробуйте
Возьмите любой текстовый PDF на несколько страниц. Запустите «Извлечь текст» в режиме Pure, затем ещё раз в Raw и во Flatten. Откройте три результата рядом и отметьте, где различаются разрывы строк и порядок слов. Потом попробуйте отсканированный PDF, чтобы увидеть пустой результат, и исправьте это с помощью Searchable.