Как скопировать текст из PDF

Почему копировать текст из PDF так сложно?

PDF создавались для печати, а не для редактирования. В отличие от документа Word, где текст течёт непрерывным потоком, PDF хранит каждый символ в точных координатах x/y на странице — как чертёж макета. Когда вы пытаетесь выделить и скопировать, ваша программа для просмотра PDF должна обратно спроектировать, какие символы образуют слова, какие слова — строки, а какие строки — абзацы. Она часто ошибается.

Это усугубляется при многостолбцовом макете (текст из столбца A смешивается со столбцом B), таблицах (ячейки вставляются как беспорядочная мешанина) и колонтитулах (они вставляются в середину абзаца). И это при условии, что в PDF вообще есть выделяемый текст — сканированные документы являются просто изображениями, поэтому выделять нечего.

Какой метод использовать, зависит от типа вашего PDF. Вот 4 подхода, от простейшего до самого мощного.

Метод 1: Выделить и скопировать в программе для просмотра PDF или браузере (проще всего)

Начните здесь — это самый быстрый метод, не требующий дополнительных инструментов. Откройте PDF в любой программе: Adobe Acrobat Reader (бесплатно), Preview на Mac или просто перетащите PDF в Chrome, Edge или Firefox. Все современные браузеры имеют встроенные средства просмотра PDF с поддержкой выделения текста.

Нажмите и перетащите, чтобы выделить нужный текст, затем нажмите Ctrl+C (Windows/Linux) или Cmd+C (Mac). Вставьте в любой текстовый редактор, электронную почту или документ.

Профессиональный совет: В Adobe Acrobat Reader используйте Правка → Выделить всё (Ctrl+A / Cmd+A), чтобы выделить весь текст на текущей странице. В Chrome также можно использовать Ctrl+F для поиска внутри PDF и затем копирования выделенных результатов.

Когда это работает: PDF с простым одностолбцовым макетом и выделяемым текстом — например, большинство деловых писем, счетов и отчётов.

Когда это не работает: Текст не выделяется (сканированный PDF или защищённый от копирования), вставленный текст искажён (проблема кодировки) или многостолбцовый текст перемешивается. Если происходит что-либо из этого, попробуйте Метод 2.

Метод 2: Открыть PDF в Google Docs (бесплатно, работает со сканированными PDF)

Google Docs может конвертировать PDF в редактируемый текст, включая сканированные документы — и это совершенно бесплатно.

Шаг 1: Загрузите PDF в Google Диск (drive.google.com). Шаг 2: Щёлкните правой кнопкой мыши по файлу и выберите «Открыть с помощью → Google Документы». Шаг 3: Google преобразует PDF в редактируемый документ. Теперь вы можете выделять и копировать любой текст.

За кулисами Google применяет OCR (оптическое распознавание символов) к страницам на основе изображений, поэтому это работает даже со сканированными документами. Также обрабатываются PDF, защищённые от копирования, поскольку файл обрабатывается на стороне сервера.

Ограничения: Google Docs плохо справляется со сложным форматированием. Многостолбцовые макеты часто схлопываются в один столбец в неправильном порядке. Таблицы могут потерять структуру. А для больших PDF (50+ страниц) преобразование может быть медленным или неполным. Если форматирование важно, рассмотрите Метод 3.

Метод 3: Использовать специализированный инструмент для извлечения текста (лучше всего для сложных PDF)

Когда Методы 1 и 2 не работают — или когда вам нужен чистый, правильно отформатированный текст из сложного документа — специализированный инструмент для извлечения является самым надёжным вариантом.

Инструменты, такие как ParseJet, созданы специально для решения этой проблемы. Они анализируют внутреннюю структуру PDF (или применяют OCR к сканированным страницам) и извлекают текст в правильном порядке чтения, сохраняя разрывы абзацев и правильно разделяя столбцы.

Как использовать ParseJet: Перейдите на parsejet.com/tools/extract-text-from-pdf → перетащите и отпустите ваш PDF → скопируйте извлечённый текст. Регистрация или установка не требуются — вы получаете 3 бесплатных извлечения в день.

Почему это работает, когда другие методы не работают: Специализированные инструменты для извлечения обрабатывают все крайние случаи, которые сбивают с толку более простые методы — сканированные изображения (OCR), защита от копирования (обработка на стороне сервера), пользовательская кодировка шрифтов (разрешение сопоставления символов), многостолбцовые макеты (определение порядка чтения) и таблицы (сохранение структуры).

Это также единственный метод, который даёт вам чистый текст на уровне абзацев, а не построчный вывод со случайными разрывами в середине предложений.

Метод 4: Использовать инструмент командной строки (для разработчиков и пакетной обработки)

Если вам нужно программно извлечь текст из множества PDF, инструменты командной строки и библиотеки — это правильный путь.

pdftotext (из poppler-utils) — классический инструмент Unix: установите с помощью «apt install poppler-utils» (Linux) или «brew install poppler» (Mac), затем запустите «pdftotext input.pdf output.txt». Он быстрый, но не поддерживает OCR и плохо справляется со сложными макетами.

pdfplumber (Python) даёт больше контроля: «pip install pdfplumber», затем используйте Python API для извлечения текста постранично, с обнаружением таблиц и анализом макета. Отлично подходит для структурированных документов, таких как счета и формы.

pdf-parse (Node.js) — популярный npm-пакет: «npm install pdf-parse», затем извлеките текст несколькими строками JavaScript. Обратите внимание, что он зависит от нативных бинарных файлов и имел проблемы с поддержкой.

В качестве альтернативы без зависимостей, работающей из любого языка, вы можете вызывать ParseJet API — один HTTP POST на файл, никаких библиотек для установки, и он автоматически обрабатывает OCR и сложные макеты. Это особенно полезно в бессерверных средах (Lambda, Vercel, Cloudflare Workers), где установка нативных зависимостей проблематична.

А что насчёт сканированных PDF?

Если ваш PDF был создан путём сканирования физического документа или фотографирования, страницы являются изображениями — там нет текста для выделения, независимо от того, какую программу просмотра вы используете. Вам нужен OCR (оптическое распознавание символов), чтобы преобразовать изображение в текст.

Ваши варианты для сканированных PDF: Google Docs (Метод 2) применяет OCR бесплатно, но может перепутать макет. ParseJet (Метод 3) применяет OCR с лучшим определением макета. Tesseract (инструмент CLI с открытым исходным кодом) — ещё один бесплатный вариант, но требует установки и настройки.

Как определить, является ли ваш PDF сканированным: попробуйте увеличить масштаб до 400%+. Если текст выглядит слегка размытым или пиксельным (как фотография), это изображение. Если символы идеально чётки при любом уровне масштабирования, это текстовый PDF.

Быстрое сравнение: какой метод вам следует использовать?

Простой PDF, один столбец: Метод 1 (выделить и скопировать в вашей программе просмотра). Это мгновенно и бесплатно.

Сканированный PDF или защищённый от копирования: Метод 2 (Google Docs) для бесплатного решения или Метод 3 (ParseJet) для лучшей точности со сложными макетами.

Многостолбцовый, таблицы или искажённый текст: Метод 3 (ParseJet) — это единственный метод, который надёжно обрабатывает определение макета и проблемы с кодировкой.

Пакетная обработка (10+ PDF): Метод 4 (инструменты командной строки или ParseJet API) для автоматизации.