Файлы PDF: почему из них так трудно достать текст

Конкретно: в PDF нет абзацев, нет строк, а часто нет и слов. Есть размещённые фрагменты глифов. Предложение, которое вы читаете, может храниться как дюжина отдельных фрагментов с вычисленными координатами, а пробел между двумя словами может быть просто отсутствием краски, а не символом пробела. Поэтому любой конвертер PDF в текст или в Word, включая этот, занимается реконструкцией: группирует фрагменты по базовой линии, чтобы восстановить строки, угадывает границы абзацев, определяет заголовки по размеру шрифта. Для обычного текста это работает хорошо, а колонки и таблицы сплющиваются, потому что информации, нужной для их сохранения, в файле никогда не было.

Второе, что нужно знать: «PDF» — это две совершенно разные ситуации. PDF, экспортированный из Word или браузера, содержит настоящий текст, который можно искать и копировать. PDF, созданный сканером или камерой телефона, содержит фотографии страниц и вообще никакого текста: слова — это пиксели, и без распознавания символов их не извлечь ничем. Этот сайт определяет такой случай и запускает ИИ-модель распознавания на вашем собственном компьютере, а не загружает файл на сервер, — и это редкость: обычно именно на этапе OCR конвертер отправляет ваш документ на сервер.

PDF — это ещё и то место, где приватность перестаёт быть абстракцией. Именно в этом формате пересылают договоры, расчётные листки, банковские выписки, медицинские заключения, счета и сканы удостоверений личности. Каждая конвертация здесь выполняется внутри страницы: PDF открывает, отрисовывает и читает код в вашем браузере, и ни один запрос не передаёт файл. Именно поэтому конвертер устроен так, как устроен, и PDF — та категория, где это важнее всего.