Конвертировать PDF в Текст онлайн бесплатно

Конвертировать PDF в текст: когда форматирование только мешает

Попробуйте запустить diff на двух PDF-файлах. Не получится — это бинарный формат, и даже «один и тот же» документ, повторно экспортированный из того же источника, будет отличаться байт в байт из-за временных меток и порядка объектов. А теперь вытащите текст из обоих и сравните его — и за две секунды вы точно знаете, какие три предложения изменились между одиннадцатой и четырнадцатой редакцией договора.

В этом и весь смысл преобразования PDF в обычный текст. Это не «Markdown, только хуже» — это другой инструмент для другой задачи. Текст — это то, что вы скармливаете классификатору, индексируете в поисковом движке, кладёте в векторную базу, прогоняете через grep, считаете в нём слова или отдаёте чему угодно, что воспринимает # и | как символы для разбора, а не для игнорирования. Перетащите файл в конвертер выше — и через несколько секунд текст готов. Бесплатно, без регистрации, лимит 50 МБ, на нашей стороне ничего не сохраняется.

Что вы получаете, выбросив разметку

Извлечённый обычный текст — это слова в порядке чтения и ничего больше. Никаких синтаксических символов, никаких правил экранирования, никакой двусмысленности, выделение это или буквальная звёздочка. Для удивительно многих конвейеров обработки это не компромисс, а исходное требование:

• Эмбеддинги и семантический поиск. Документ режется на фрагменты, каждый фрагмент векторизуется, выборка идёт по похожести. Вертикальные черты и решётки Markdown ничего не добавляют к смыслу, но занимают позиции в векторе — это разбавление. Фрагменты чистой прозы находятся точнее.
• Классификаторы и тематические модели. Всё, что работает с мешком слов, TF-IDF или n-граммами, с радостью посчитает ### токеном, если его заранее не вычистить. Проще вообще его не вносить.
• Поисковая индексация. Elasticsearch, SQLite FTS, tsvector в Postgres — всем им нужен сырой текст в колонке. Markdown означает лишний проход очистки.
• Сравнение версий. Построчный diff хорошо работает на прозе и плохо на таблицах: изменение одной ячейки таблицы Markdown переформатирует и перезаписывает всю строку целиком.
• Экономия токенов. Если вы вставляете длинный документ в модель с тесным контекстным окном, каждая вертикальная черта — это токен, за который вы заплатили и ничего не получили.

И что вы теряете — лучше знать заранее

Сплющивание разрушительно, и это сознательный выбор. Две потери важнее остальных.

Таблицы схлопываются. Финансовая таблица превращается в вереницу чисел, разделённых пробелами. Все значения на месте, но к какой колонке относилось каждое из них — уже нет, и никакие промпты этого не восстановят. Если таблица — главное в документе, вам нужен конвертер PDF в Markdown, где таблицы с вертикальными чертами сохраняют строки и колонки в целости.

Иерархия исчезает. Заголовок раздела и предложение под ним становятся двумя соседними строками, которые ничем не различаются. Попросите модель «сделать выжимку по разделу 4» — и ей придётся угадывать, где раздел 4 начинается, по одним лишь формулировкам. На длинных структурированных документах — спецификациях, стандартах, договорах с нумерованными пунктами — именно на этом угадывании ответы и разъезжаются.

Переключатель формата вверху страницы переводит вывод между текстом и Markdown, сохраняя уже выбранный файл: сконвертировать в оба формата и сравнить стоит один клик, а не повторную загрузку.

Причуды PDF, которые вылезают в текстовом выводе

PDF — это язык описания страниц. Он хранит глифы по координатам, а извлечение — это сборка предложений обратно из этих координат. Отсюда несколько артефактов, и знание о них сэкономит вам полчаса недоумения:

• Жёсткие переводы строки посреди предложения. В PDF нет понятия абзаца, который переформатируется — каждая видимая строка хранится как отдельный кусок текста. Поэтому один абзац приезжает шестью короткими строками. Это главная ловушка для grep и регулярных выражений: поищите фразу, которая случайно легла на перенос строки, и получите ноль совпадений для текста, который явно там есть.
• Переносы слов выживают. Слово, разбитое по строкам как «управле-» / «ние», обычно так и остаётся разбитым. Перед подсчётом слов или извлечением ключевых слов стоит пройтись поиском с заменой.
• Колонтитулы и номера страниц вклиниваются в текст. Название компании и «Стр. 14 из 88» приземляются посреди вашей прозы каждые пару тысяч символов. Читать не мешает, при нарезке на фрагменты слегка раздражает, а вычищается однострочной регуляркой, как только вы заметили закономерность.
• Порядок колонок может перепутаться. Двухколоночные академические макеты обычно линеаризуются правильно, но плавающие врезки, выносные цитаты и блоки сносок иногда падают прямо посреди абзаца.
• Лигатуры и странные глифы. «fi» и «fl» в профессионально свёрстанных PDF часто являются одним глифом. Большинство извлекается нормально. Но PDF, собранный с усечённым шрифтом без нормальной таблицы соответствия Unicode, может извлечься как видимая абракадабра — редкость, но когда такое случается, проблема в файле, а не в конвертере.

В отсканированном PDF извлекать нечего

Отсканированный PDF — это фотография бумаги в PDF-обёртке. Вытащить из него нечего, кроме пикселей, а распознавание текста внутрь PDF не заглядывает — файл из одних картинок возвращается пустым. (Загрузите ту же страницу как JPG или PNG — и она прочитается без проблем, см. картинка в текст. Мешает именно PDF-обёртка.) Проверка занимает две секунды: откройте файл и попробуйте выделить предложение курсором. Текст выделяется — всё в порядке. Получаете прямоугольник на всю страницу — это скан.

Для сканов сначала прогоните OCR — в Acrobat, в «Просмотре» на macOS и в большинстве современных PDF-читалок есть команда «распознать текст», — а потом возвращайтесь конвертировать. Разница в качестве вывода бросается в глаза.

Реальные задачи, которые это закрывает

• Сборка корпуса для RAG. Сотни PDF с регламентами — в текст, нарезать по границам абзацев, векторизовать. Текст — это формат, который каждая библиотека нарезки ожидает по умолчанию.
• Сверка правок в договоре. Извлеките обе версии, запустите diff по словам и читайте фактические изменения, а не доверяйте письму с кратким пересказом.
• Комплаенс и прогон по ключевым словам. Прогрепать папку извлечённых отчётов на определённый термин, название поставщика или формулировку, которой там быть не должно. Мгновенно, офлайн, из инструментов — только шелл.
• Анализ читабельности и стиля. Распределение длины предложений, плотность жаргона, индексы удобочитаемости — всему этому нужна чистая проза без токенов форматирования в потоке.
• Озвучка текста. Скринридер или движок TTS охотно прочитает вслух «решётка решётка Введение», если подсунуть ему Markdown.
• Быстрая проверка токенов. Счётчик под выводом показывает, во что документ обойдётся, до того как вы его куда-то вставите — это полезнее, чем узнать об этом из ошибки усечения.

Частые вопросы

Как бесплатно перевести PDF в текст онлайн?

Перетащите файл в конвертер вверху этой страницы — извлечённый текст появится под ним. Без аккаунта, без почты, без водяных знаков на результате. Лимит — 50 МБ на файл, и после того как текст у вас, ничего не хранится. Скопируйте его сразу или скачайте как .txt.

Почему текст из PDF получается абракадаброй?

Почти всегда виноват шрифт, а не конвертер. PDF, собранный с усечённым шрифтом без таблицы соответствия Unicode, хранит индексы глифов, никак не указывая, каким символам они соответствуют, — и извлечение возвращает эти индексы в виде бессмысленных букв. Если текст к тому же не выделяется в вашей PDF-читалке, проблема именно в файле — переэкспортируйте его из исходного документа.

Можно ли конвертировать отсканированный PDF в текст?

Напрямую — нет. Скан — это фотография, завёрнутая в PDF, внутри нет ни одного символа, поэтому результат возвращается пустым. Обойти можно двумя способами: сначала запустить «распознать текст» в Acrobat или «Просмотре» на macOS и потом конвертировать здесь — либо экспортировать страницу в PNG и воспользоваться инструментом картинка в текст, который действительно выполняет OCR по пикселям.

Почему извлечённый текст разорван посреди предложений?

В PDF нет переформатируемого абзаца — каждая видимая строка хранится как собственный кусок текста, поэтому абзац приезжает шестью короткими строками. Больнее всего это бьёт по grep и регуляркам: фраза, легшая на перенос строки, возвращает ноль совпадений. Перед поиском склейте строки, которые не заканчиваются знаком конца предложения.

Конвертировать PDF в txt или всё-таки в Markdown?

В текст — если получатель разбирает голые слова: эмбеддинги, поисковые индексы, классификаторы, diff. В Markdown — если форма документа несёт смысл: таблицы с вертикальными чертами выживают, а заголовки остаются размеченными. Решающий фактор — таблицы: сплющите финансовую таблицу в текст, и колонка, к которой относилось каждое число, потеряна безвозвратно.

Мой PDF загружается на сервер?

Файл отправляется в сервис конвертации, обрабатывается и удаляется — он не сохраняется, не логируется и не индексируется, и после возврата ответа ничего не остаётся. Если нужна конвертация, при которой файл действительно никогда не покидает машину, конвертер локальной папки читает файлы прямо в браузере.

Остальной инструментарий

PDF — один из тринадцати поддерживаемых форматов. File2Txt обрабатывает их все через одну загрузку, либо идите сразу в Word в текст для файлов DOCX, HTML в текст для сохранённых веб-страниц, EPUB в текст для электронных книг или картинка в текст для скриншотов. Работаете с кодом? Сконвертируйте репозиторий GitHub в текст, проект GitLab или локальную папку. Для живых веб-страниц Web2Txt забирает контент прямо по URL. Руководство по подготовке документов для LLM разбирает общий случай всего вышеописанного.

Repo2Txt разрабатывает и поддерживает v12hero — независимый разработчик, создающий нативные и веб-приложения с приоритетом приватности.