Как да извлечете текст от PDF файл

Извличането на текст от PDF файл често е предизвикателство – графиките могат да пречат, а оформлението да направи копирането нечетливо. Въпреки че копирането и поставянето е възможно, то е времеемко и не позволява експортиране в друг формат. В тази статия ще разгледаме няколко ефективни метода.

Извличане на текст с Acrobat Reader

Стъпка 1

Отворете PDF‑файла в Acrobat Reader. В Windows изберете File → Export Document to Text, задайте име и запазете файла.

Стъпка 2

В macOS или Linux отворете менюто View и изберете „Continuous“ или „Continuous‑Facing“ (първото показва текста в една колона, второто – страници една до друга). След това изберете Edit → Select All и Edit → Copy.

Ако искате само част от текста, използвайте инструмента Text Select. При документи с няколко колони първо изберете Column Select, след което копирайте избраното.

Конвертиране на PDF към HTML

Стъпка 1

Използвайте Gmail като бърз трик: прикачете PDF‑файла към имейл и го изпратете до своя Gmail акаунт. Отворете имейла, до прикачения файл ще видите опция „View as HTML“. Кликнете върху нея и запазете отворения HTML файл. Той ще запази форматирането на текста, но графиките няма да се покажат.

Стъпка 2

В Linux можете да конвертирате PDF в текст чрез командата:

pdftotext filename.pdf

Заменете filename.pdf с името на вашия файл.

Съществуват и безплатни програми за конвертиране, като PDFBox и Easy PDF to Text Converter, които могат също така да превръщат PDF в HTML.

Съвети

• Уверете се дали документът съдържа както текст, така и графика. Методът с Adobe Acrobat работи само ако PDF‑ът съдържа истински текст; при сканирани документи, където текстът е част от изображение, ще е необходим OCR.
• Бъдете готови да преработите форматирането след експорт с Acrobat Reader – полученото .txt файл не запазва оригиналната подредба, но за чисто съдържание е достатъчен.

Необходими инструменти

• PDF файл
• Adobe Acrobat Reader
• Gmail акаунт (по желание)
• Програма за конвертиране PDF → текст (по желание)