← Блог Brain4исследовательский микросервис
PDF в текст онлайн
Загрузите PDF и получите текст документа. Если в файле есть текстовый слой, сервис извлечёт его и сохранит структуру там, где это возможно.
Результат
Что вы хотите сделать с этим текстом дальше?
Один ответ поможет понять, какие задачи с документами стоит автоматизировать дальше.
Спасибо, сохранили.
Что делает сервис
Сервис получает один PDF, извлекает уже существующий в документе текстовый слой и преобразует результат в Markdown там, где структуру удаётся сохранить. Полученный текст можно сразу скопировать или скачать как файл .md.
Почему из некоторых PDF текст не извлекается
PDF может содержать настоящий текстовый слой или только изображения страниц. Во втором случае документ фактически является сканом. Этот MVP не выполняет OCR, поэтому для таких файлов потребуется отдельное распознавание текста.
Подробнее о текстовом слое, сканах и OCR я разобрал в статье «Почему из одного PDF текст извлекается, а из другого нет».
Зачем Markdown
Markdown сохраняет текст в простом формате и может передавать полезную структуру: заголовки, списки и некоторые таблицы. Его удобно читать, копировать, хранить и передавать в другие инструменты, когда такая структура нужна.
Если документ дальше пойдёт в нейросеть, выбор между исходным PDF, обычным текстом и Markdown зависит от задачи. Подробнее - в статье «Что лучше загружать в нейросеть: PDF, текст или Markdown».
Что происходит с загруженным файлом
PDF временно сохраняется в закрытой серверной директории, обрабатывается локальным конвертером и удаляется после завершения запроса, в том числе при ошибке. Продуктовая статистика хранит только агрегированные счётчики и не содержит имя файла, PDF, извлечённый текст, IP-адрес или идентификатор пользователя.
Частые вопросы
Можно ли извлечь текст из любого PDF?
Нет. Сервис извлекает существующий текстовый слой. Если PDF состоит из сканов страниц или повреждён, обычного текста для извлечения может не быть.
Что делать, если PDF является сканом?
Первая версия сервиса не выполняет OCR. Для сканированного PDF потребуется отдельное распознавание текста.
В каком формате я получу результат?
Результат показывается как текст в Markdown. Его можно скопировать или скачать в файле .md.
Сохраняется ли мой PDF после обработки?
PDF временно сохраняется на сервере только на время обработки и удаляется после её завершения. Содержимое PDF и результата не записывается в продуктовую статистику.
Можно ли использовать результат в нейросети?
Да. Markdown - обычный текстовый формат, который можно скопировать и использовать дальше в подходящем сервисе. Сам этот MVP не отправляет результат в нейросети автоматически.