что делать если в пдф не копируется текст
Копирование содержимого из документов PDF
Можно с легкостью скопировать содержимое в Reader, если автор документа PDF не установил защиту от копирования.
Чтобы открыть документ PDF, защищенный паролем, требуется указать соответствующий пароль. В некоторых защищенных документах есть ограничения, которые препятствуют печати, редактированию или копированию содержимого. Если в документе есть функции ограниченного использования, то соответствующие инструменты и пункты меню Reader недоступны.
Если документ PDF не удается открыть или в нем заблокирована часть функций, обратитесь к его автору.
Убедитесь, что копирование содержимого разрешено
Копирование определенного содержимого из документа PDF
Откройте документ PDF в Reader. Правой кнопкой мыши нажмите на документ и выберите Выбрать инструмент из раскрывающегося меню.
Содержимое копируется в буфер обмена. В другом приложении выберите Редактирование > Вставить, чтобы вставить скопированное содержимое.
Копирование документа PDF полностью (только для приложения Windows Reader, недоступно для браузера)
Содержимое копируется в буфер обмена. В другом приложении выберите Редактирование > Вставить, чтобы вставить скопированное содержимое.
Копирование фрагмента документа PDF (только для приложения Reader, недоступно для браузера)
Инструмент Снимок используется для копирования фрагмента в качестве изображения, которое можно вставить в другие приложения.
Перетащите прямоугольник в пределах области для копирования и отпустите кнопку мыши.
Копирование содержимого из документов PDF
Можно с легкостью скопировать содержимое файла PDF если автор документа не применил настройки защиты, запрещающие возможность копирования. Если требуется скопировать большое количество информации из файла PDF, можно легко экспортировать документ PDF в формат Word, Excel или PowerPoint.
Быстро преобразовывайте файлы PDF в Word онлайн
Быстро преобразовывайте файлы PDF в Excel онлайн
Копирование текста и изображений из документов PDF
Убедитесь, что копирование содержимого разрешено
Нажмите правой кнопкой мыши на документ и выберите Свойства документа.
Нажмите вкладку Защита и просмотрите пункт Сводка по ограничениям документа.
Копирование определенного содержимого из документа PDF
Правой кнопкой мыши нажмите на документ и выберите Выбрать инструмент из всплывающего меню.
Перетащите для выделения текста или нажмите для выделения изображения.
Правой кнопкой мыши нажмите на выделенный элемент и нажмите Копировать.
Копирование документа PDF полностью (только для приложения Windows Reader DC, недоступно для браузера)
Выберите Редактирование > Копировать файл в буфер обмена.
Копирование фрагмента документа PDF (только для приложения Reader DC, недоступно для браузера)
Инструмент Снимок используется для копирования фрагмента в качестве изображения, которое можно вставить в другие приложения.
Выберите Редактирование > Сделать снимок..
Перетащите прямоугольник в пределах области для копирования и отпустите кнопку мыши.
Нажмите клавишу Esc для выхода из режима Снимок.
В другом приложении выберите Редактирование > Вставить, чтобы вставить скопированное изображение.
Не копируется текст из PDF: причины, способы изменения формата и советы специалистов
Бывало у вас такое, что вам необходимо текст, присутствующий в каком-то PDF-документе, вставить в другую программу для редактирования, но в файле PDF текст не копируется? Как бы посоветовали поступить в такой ситуации? Далеко не многие пользователи догадываются о том, что можно воспользоваться не одним, а несколькими простыми способами, позволяющими «разрулить» ситуацию. Но для начала давайте остановимся на некоторых стандартных случаях и их причинах, а затем попробуем найти наиболее подходящее решение для каждого из них. Сразу стоит отметить, что изменять оригинальный формат документа не всегда целесообразно.
Почему текст из PDF не копируется?
You will be interested: How dangerous is the new coronavirus?
Итак, первой и основной причиной невозможности копирования содержимого документов PDF большинство специалистов считает установку всевозможных запретов на подобные действия в самих файлах.
Это могут быть и пароли на открытие, и запреты на копирование, и даже защита документа при попытке вывода содержимого на печать. Еще одна не менее распространенная ситуация, связанная с тем, что текст из PDF не копируется, может быть связана с повреждением самого файла или нарушением его оригинальной структуры. Реже можно встретить и случаи, когда пользователь использует для извлечения текстового содержимого из PDF-документа не совсем подходящее приложение. Так, например, очень многие эксперты сходятся во мнении, что у Adobe Reader возможностей в сравнении с Acrobat гораздо больше. Поэтому, если текст из PDF не копируется в «Акробате», первым делом попробуйте выполнить аналогичную операцию в «Ридере». Вполне возможно, это даст желаемый результат. Но в большинстве случаев это, увы, не помогает, поскольку содержимое попросту защищено от копирования, а пароль скрыт глубоко внутри самого файла. Как обойти такие ограничения рассмотрим чуть позже, а пока остановимся еще на одной ситуации, которая тоже многих пользователей ставит в тупик.
Почему текст из PDF копируется иероглифами?
Теперь предположим, что защита от копирования в оригинальном документе не установлена и все вроде бы нормально. Но почему-то при переносе содержимого в другой редактор текст из PDF копируется иероглифами. Связано это только с тем, что оригинал имеет отличную от стандартной кодировку. Чаще всего специалисты в такой ситуации предлагают самый простой выход, при котором даже изменять начальный формат документа не потребуется. Исходя из того, что текст из PDF копируется с неправильной кодировкой, ее нужно сменить.
Для этого проще всего воспользоваться файловым меню любого редактора PDF, выбрать пункт «Сохранить как. » (Save As…), а затем в окне сохранения нажать кнопку параметров (Settings) и выбрать другую кодировку. Обычно достаточно поменять оригинальный стандарт на UTF-8. При повторном открытии документа текст можно будет скопировать и вставить в любой другой текстовый редактор в неизменном виде. Также перекодировать файл можно на каком-нибудь интернет-ресурсе вроде Decoder.
Как обойти запрет копирования в самом файле?
Теперь давайте посмотрим, что можно сделать для обхода всевозможных запретов и блокировок.
Если текст из PDF не копируется ни под каким предлогом, можете воспользоваться пиратским методом, выполнив снятие ограничений или удаление установленных паролей в программе PDF Password Remover. Если это результата не даст, можете зайти на какой-нибудь специализированный сайт вроде PDFPirate или FreeMyPDF и попытаться снять защиту там. Однако каждый должен понимать, что в случае с некоторыми официальными документами такая методика является противозаконной.
Открытие файла PDF в Word
Еще одна простая методика, рекомендуемая для устранения множества проблем с оригинальными PDF-документами, которые необходимо отредактировать, состоит в том, чтобы не копировать исходное содержимое в «просмотрщике» или редакторе PDF, а открыть файл непосредственно в той программе, с использованием которой предполагается производить редактирование.
В случае с текстовыми документами, проще всего воспользоваться универсальным «Вордом» и открыть искомый документ в этом приложении, выбрав соответствующий тип файла. Если документ откроется без проблем, его можно будет и отредактировать, и сохранить в нужном формате.
Как преобразовать текст PDF в Word?
Но давайте предположим, что исходный документ в текстовых редакторах не открывается (мало ли что может быть) и в «родных» редакторах текст из PDF не копируется.
В этом случае для преобразования файла именно в документ Word попробуйте в PDF-редакторе выбрать не копирование текста, а копирование файла в буфер обмена целиком, после чего вставьте содержимое в Word. Способ, конечно, далеко не самый удобный, поскольку вставка будет иметь графический формат, и отредактировать материал будет невозможно.
В этой ситуации оптимальным решением станет смена формата оригинального документа на любой другой. В интернете сейчас выложено достаточно много программ-конвертеров, например, PDF to Word Converter и др. В выбранном приложении обычно достаточно просто указать начальный файл и конечный формат после преобразования. При помощи таких апплетов, кстати, можно преобразовать PDF не только в Word. Существуют и программы для конвертирования в Excel.
Проблемы с самим текстом в PDF-документах
Иногда бывает и так, что в оригинальном файле текстовое содержимое могло быть изначально создано путем сканирования какого-то печатного документа. Совершенно очевидно, что при таком подходе текст был сохранен именно в графическом формате. При этом и на него могли быть установлены запреты на копирование или печать. Как поступить в такой ситуации?
Использование системы оптического распознавания
В этом случае на помощь приходят системы оптического распознавания OCR. Практически все эксперты сходятся во мнении, что оптимальным вариантом станет выбор пакета ABBY Finereader. Конечно, программа не бесплатная, но на просторах «Рунета» можно найти уже активированные (взломанные) версии или модификации с ключом активации.
В самом приложении в стартовом окне выбрать преобразование файла PDF/изображения в документ Word. Система самостоятельно распознает текст с картинки и отправит его в Word, после чего можно будет выполнить редактирование и сохранить новый документ.
Конвертирование в другие форматы
Наконец, если стоит задача преобразовать текст в другие нестандартные форматы, обычно для этих целей рекомендуется применять все те же конвертеры, выбирая либо узконаправленные программы (например, PDF to JPEG для конвертирования в графические файлы), либо универсальные приложения, поддерживающие не один, а несколько форматов, среди которых будет тот, что нужен. Иногда можно использовать и онлайн-сервисы, но это неудобно по соображениям больших временных затрат и ограничений по размеру добавляемых файлов (или их количеству).
Заключение
Подводя итоги, можно выделить несколько основных моментов. Во-первых, изменять исходный формат не всегда нужно, поскольку выполнить копирование можно либо в более продвинутом редакторе, как в случае с «Акробатом» и «Ридером», либо открыть файл непосредственно в той программе для работы с текстовым содержимым, в которую нужно вставить исходный материал, как в случае с Word. Во-вторых, для сброса паролей и запретов лучше всего применять специальные приложения (пусть даже это и выглядит незаконно). В-третьих, большинство конвертеров в процессе преобразования форматов запреты, как правило, игнорируют, так что и их использование выглядит весьма перспективным. В-четвертых, не стоит сбрасывать со счетов и системы распознавания текста, которые иногда выглядят даже лучше, чем все предыдущее. В-пятых, существует мнение, что иногда преобразование можно выполнить при помощи виртуальных принтеров, но такой вариант годится только для тех случаев, когда исходный текстовый фрагмент нужно преобразовать в графику.
Как скопировать текст из ПДФ документа
Хотите копировать текст из ПДФ в два клика?
Скачайте удобный PDF редактор
Способ 1: программы для работы с ПДФ
Самый оптимальный способ — использовать приложения для копирования и извлечения информации из ПДФ. Для работы программное обеспечение потребуется установить на компьютер, однако это с лихвой окупит удобство и обширный функционал подобного софта. Вы сможете просматривать файлы, копировать текст, оставлять комментарии, ставить цифровые подписи, конвертировать документы в любые форматы и многое другое.
PDF Commander
Программа для работы с PDF, которая содержит инструменты для создания документов с нуля, редактирования страниц, конвертации и объединения медиафайлов в другие форматы. Вы сможете перевести ПДФ в JPEG, BMP, PNG, TIFF, WMF и TXT. Также у вас будет возможность извлекать картинки и разбивать документ на отдельные листы.
Преимущества PDF Commander:
Как скопировать текст из ПДФ в Ворд? Выполните несколько простых действий:
Adobe Reader
Бесплатный ридер для просмотра и комментирования PDF. С его помощью вы сможете создать закладки и заметки, а также выделять часть текста. Чтобы преобразовать весь проект в Ворд, Эксель или другой формат, потребуется приобрести платную подписку. Также про-версия открывает доступ к другим функциям: создание, коррекция, подпись, шифрование и переформатирование медиаданных. Платный пакет отличается высокой стоимостью: 1159 рублей в месяц.
Evince
Софт с открытым исходным кодом для чтения многостраничных документов, поддерживающая несколько медиаформатов. Она предлагает полноэкранный режим просмотра и опцию слайд-шоу для автоматической смены листов. Поддерживаемые расширения: PostScript, DVI, DjVu, многостраничный TIFF, OpenDocument Presentation, XPS, изображения, CBR, CBZ, CB7 и MS Word.
Софт позволяет выделять и извлекать предложения, искать слова в нем и переносить данные в буфер обмена и Ворд. Вы способны скопировать текст из PDF, даже если проект защищен паролем.
Способ 2: применение OCR
Оптическое распознавание позволяет копировать символы в отсканированных и защищенных документах. Воспользуйтесь программой ABBYY FineReader. Она автоматически получает изображения со сканеров, файловых серверов, факсов и электронной почты, а также библиотек Microsoft SharePoint. Затем она выполняет оптическое распознавание символов (OCR) и позволяет добавлять медиаданные. Приложение является платным, для использования функций потребуется приобрести его за 8990 р.
Для копирования просто откройте медиафайл в софте и конвертируйте его в Word. Также можно отсканировать бумажный носитель или добавить фотографию с разборчивыми надписями.
Способ 3: Онлайн-сервисы для конвертации PDF
У вас есть возможность перевести PDF-документы в текстовый материал в браузере с помощью онлайн-сервисов. Они способны быстро переформатировать проект без изменения содержания. Однако они зависят от качества интернет-соединения, часто зависают, а также позволяют проводить лишь ограниченное количество операций в сутки.
PDFCandy
Веб-ресурс, позволяющий не только извлечь текстовый слой, но и произвести оптическое определение символов. Помимо конвертации платформа предлагает инструменты для объединения, сжатия и редактирования медиафайлов.
Как копировать текст в ПДФ? Загрузите нужный документ с персонального компьютера или облачного хранилища, а затем скачайте результат в подходящем расширении, например DOCX или TXT.
Особенности сервиса PDFCandy:
PDFtoText
Бесплатный конвертер, который позволяет быстро обработать материал и скачать результат в TXT, DOC, DOCX. Вы способны провести до 20 операций одновременно и произвести пакетную коррекцию. Затем итог можно загрузить архивом.
Чтобы использовать PDFtoText, импортируйте файлы или перетащите их в окно загрузки, а затем скачайте на ПК.
Заключение
Теперь вы знаете, как копировать текст из ПДФ с помощью программного обеспечения, специального приложения для оптического определения символов (OCR) или через онлайн-ресурсы.
Компьютерные приложения позволят просматривать и комментировать материал. Софт PDF Commander также содержит инструменты для оформления, объединения и коррекции работы.
Платформа для оптического распознавания позволит копировать сведения даже из отсканированных и защищенных документов. Однако они отличаются высокой стоимость. Например, базовую версию приложение ABBYY FineReader можно купить за 8990 р.
Онлайн-сервисы предназначены для быстрого переформатирования без изменения содержания. Однако они зависят от качества интернет-соединения, а также позволяют проводить ограниченное количество операций за один раз.
Ответы на часто задаваемые вопросы:
Если необходимо вытащить сведения, вы можете воспользоваться разными способами: использовать ПО на компьютер или применить веб-платформу. Первый вариант позволит выделить надписи, а также переформатировать документ в другое расширение. Онлайн-ресурсы предлагают только возможность конвертировать в DOC, DOCX, TXT.
Чтобы извлечь данные из отсканированного или защищенного проекта, воспользуйтесь средством для оптического определения символов. Например, программой ABBYY FineReader или OCR CuneiForm.
Появление иероглифов в основном связано со следующими причинами:
Решить эти трудности позволят специальные программы, например, Evince и ABBYY FineReader.
Возможно материал защищен от редактирования и копирования данных. Вы можете увидеть, заблокирован ли он при его открытии в софте. Откройте меню «Свойства» и во вкладке «Безопасность» указано, разрешено ли копирование содержимого. При запрете определенных действий вам потребуется снять защиту и использовать программное обеспечение.
Почему так сложно извлекать текст из PDF?
Перевод статьи с сайта компании FilingDB, составляющей базу данных из документации европейских компаний
Согласно распространённым представлениям, извлечение текста из PDF не должно быть такой уж сложной задачей. Ведь вот он, текст, прямо у нас перед глазами, и люди постоянно и с большим успехом воспринимают содержимое PDF. Откуда взяться трудностям в автоматическом извлечении текста?
Оказывается, точно так же, как работа с именами людей сложна для алгоритмов из-за множества пограничных случаев и неправильных предположений, так и работа с PDF сложна из-за чрезвычайной гибкости PDF-формата.
Основная проблема в том, что PDF не предполагался как формат для ввода данных – его разрабатывали, как канал вывода, дающий возможность тонкой подстройки вида итогового документа.
По сути, формат PDF состоит из потока инструкций, описывающих, как создаётся изображение на странице. В частности, текстовые данные хранятся не в виде параграфов – или даже слов – а в виде символов, нарисованных на определённых местах в странице. В итоге при преобразовании текста или документа Word в PDF большая часть семантики контента теряется. Вся внутренняя структура текста превращается в аморфный суп из плавающих на странице символов.
Наполняя FilingDB, мы извлекли текстовые данные из десятков тысяч PDF-документов. В процессе мы наблюдали за тем, как оказались неверными абсолютно все наши предположения о структуре PDF-файлов. Наша миссия оказалась особенно трудной потому, что нам приходилось обрабатывать PDF-документы, приходящие от разных источников, с совершенно разными стилями, шрифтами и внешним видом.
Ниже описывается, какие особенности PDF-файлов делают сложной или даже невозможной задачу извлечения из них текста.
Защита от чтения PDF
Вы могли встречать PDF-файлы, запрещающие копировать из них текстовое содержимое. К примеру, вот, что выдаёт программа SumatraPDF при попытке скопировать текст из защищённого от копирования документа:
Интересно, что текст виден, но при этом программа для просмотра отказывается передавать выделенный текст в буфер обмена.
Это реализовано при помощи нескольких флагов с «разрешениями доступа», один из которых управляет разрешением на копирование. Важно понимать, что сам PDF-файл это делать не заставляет – его содержимое от этого не меняется, и задача по его реализации лежит полностью на программе для просмотра.
Естественно, это на самом деле не защищает от извлечения текста из PDF, поскольку любая достаточно продвинутая библиотека для работы с PDF позволит пользователю либо поменять эти флаги, либо проигнорировать их.
Символы за пределами страниц
Частенько в PDF можно встретить больше текстовых данных, чем те, что показаны на странице. Возьмём эту страницу из ежегодного отчёта Nestle за 2010-й.
К этой странице прикреплено больше текста, чем видно. В частности, в содержимом, связанном с нею, можно найти следующее:
KitKat отметила свой 75-й день рождения в 2010-м, но остаётся молодой и успевает за тенденциями, имея более 2,5 млн фанатов на Facebook. Её продукция продаётся в более чем 70 странах, а продажи хорошо растут в развитых странах и на развивающихся рынках, например, на Среднем Востоке, в Индии и России. Япония – второй по величине рынок компании.
Этот текст расположен вне границ страницы, поэтому большинство просмотрщиков PDF его не показывают. Однако данные там есть, и их можно извлечь программно.
Такое иногда бывает из-за принимаемых в последнюю минуту решений о замене или удалении текста в процессе утверждения.
Мелкие или невидимые символы
Иногда на странице PDF можно встретить очень маленькие или вообще невидимые символы. Вот, к примеру, страница из отчёта Nestle за 2012 год.
На странице имеется мелкий белый текст на белом фоне, где написано следующее:
Wyeth Nutrition logo Identity Guidance to markets
Vevey Octobre 2012 RCC/CI&D
Иногда это делается для повышения доступности, с теми же целями, которым служит тег alt в HTML.
Слишком много пробелов
Иногда в PDF между буквами слов вставлены дополнительные пробелы. Это наверняка сделано в целях кернинга (изменения интервала между символами).
К примеру, в отчёте Hikma Pharma от 2013 года есть такой текст:
Если его скопировать, получим:
В общем случае сложно решить задачу реконструкции исходного текста. Наиболее успешно у нас работает подход с применением оптического распознавания символов, OCR.
Недостаточно пробелов
Иногда в PDF не хватает пробелов, или они заменены другим символом.
Пример 1: следующая выдержка сделана из ежегодного отчёта SEB за 2017.
Пример 2: отчёт Eurobank от 2013 содержит следующее:
И снова лучше всего оказалось использовать для таких страниц OCR.
Встроенные шрифты
PDF работает со шрифтами, мягко говоря, сложным образом. Чтобы понять, как хранятся в PDF текстовые данные, сначала нам нужно разобраться в глифах, названиях глифов и шрифтах.
К примеру, PDF может содержать код символа 116, который он сопоставляет с названием глифа «t», который, в свою очередь, сопоставлен глифу, описывающему, как выводить на экран символ «t».
Большинство PDF используют стандартную кодировку символов. Кодировка символов – это набор правил, присваивающих смысл самим кодам символов. К примеру:
Хотя для человека итоговый результат ничем не отличается, машина запутается из-за таких кодов символов. Если коды символов не соответствуют стандартной кодировке, программным способом почти невозможно понять, что обозначают коды 1, 2 или 3.
Зачем же в PDF нужно включать нестандартные шрифты и кодировку?
Карта кодирования, которую вы только что сделали – та, что сопоставляет цифры 1 и 116 – называется в PDF-стандарте картой ToUnicode. В PDF-документах могут содержаться собственные карты ToUnicode, однако это не обязательно.
Распознавание слов и параграфов
Воссоздание параграфов и даже слов из аморфного символьного супа PDF-файлов – задача сложная.
PDF-документ содержит список символов на странице, а распознавать слова и параграфы должен потребитель. Люди от природы эффективно справляются с этим, поскольку чтение – навык распространённый.
Чаще всего используется алгоритм группировки, сравнивающий размеры, расположение и выравнивание символов, с целью определить, что является словом или параграфом.
У простейших реализаций таких алгоритмов сложность легко может достичь O(n²), из-за чего обработка плотно забитых страниц может проходить долго.
Порядок текста и параграфов
Распознавание текста и порядка параграфов – задача сложная по двум причинам.
Во-первых, иногда правильного ответа просто нет. Если у документов с обычным типографским набором с одной колонкой последовательность чтения выходит естественной, то у документов с более смелым расположением элементов определить её сложнее. К примеру, не совсем ясно, должна ли следующая вставка идти до, после или в середине статьи, рядом с которой она расположена:
Во-вторых, даже когда человеку ответ ясен, компьютеры определить точный порядок параграфов бывает очень сложно – даже с использованием ИИ. Возможно, это утверждение покажется вам чересчур смелым, но в некоторых случаях правильную последовательность параграфов можно определить, только понимая содержимое текста.
Рассмотрим данное расположение компонентов в два столбца, где описано приготовление овощного салата.
В западном мире разумно предположить, что чтение идёт слева направо и сверху вниз. Поэтому мы, не изучая содержимого текста, можем свести все варианты к двум: A B C D и A C B D.
Изучив содержание, поняв, о чём там говорится, и зная, что овощи моют перед нарезкой, мы можем понять, что правильным порядком будет A C B D. Алгоритмически это определить крайне сложно.
При этом «в большинстве случаев» работает подход, полагающийся на порядок хранения текста внутри PDF-документа. Обычно он соответствует порядку вставки текста во время создания. Когда большие отрезки текста содержат по многу параграфов, они обычно соответствуют тому порядку, который подразумевал их автор.
Встроенные изображения
Нередко часть содержимого документа (или весь документ) оказывается отсканированным изображением. В таких случаях в нём нет текстовых данных, и приходится прибегать к OCR.
К примеру, ежегодный отчёт Yell от 2011 года доступен только в виде скана:
Почему бы просто всё не распознать?
Хотя OCR может помочь с некоторыми описанными проблемами, у него тоже есть свои недочёты.
Тестирование
Пока что мы ещё не упоминали о том, насколько сложно подтвердить, что текст был извлечён правильно или ожидаемо. Мы обнаружили, что лучше всего проводить обширный набор тестов, изучающих как базовые метрики (длину текста, длину страницы, соотношение количества слов и пробелов), так и более сложные (процент английских слов, процент нераспознанных слов, процент чисел), а также следить за предупреждениями типа подозрительных или неожиданных символов.
Что мы можем посоветовать для извлечения текста из PDF? Прежде всего убедиться, что у текста нет более удобного источника.
Если интересующие вас данные идут только в формате PDF, тогда важно понимать, что эта проблема кажется простой лишь на первый взгляд, а решить её со 100% точностью может и не получиться.