Файли PDF: чому з них так важко дістати текст

Конкретно: PDF не має абзаців, рядків, а часто й слів. Він має розміщені послідовності гліфів. Речення, яке ви читаєте, може зберігатися як десяток окремих послідовностей за обчисленими координатами, а пробіл між двома словами може бути відсутністю чорнила, а не символом пробілу. Тож кожен конвертер PDF у текст і PDF у Word, зокрема й цей, займається реконструкцією: групує послідовності за базовою лінією, щоб відновити рядки, вгадує межі абзаців, виводить заголовки з розміру шрифту. Для звичайної прози це працює добре, а колонки й таблиці сплющуються, бо інформації, потрібної для їх збереження, у файлі ніколи не було.

Друге, що варто знати: «PDF» охоплює дві зовсім різні ситуації. PDF, експортований із Word чи браузера, містить справжній текст, який можна шукати й копіювати. PDF, створений сканером чи камерою телефона, містить фотографії сторінок і жодного тексту — слова є пікселями, і ніщо не витягне їх без розпізнавання символів. Цей сайт виявляє такий випадок і запускає ШІ-модель розпізнавання на вашому комп’ютері, а не завантажує файл, і це незвично: зазвичай саме на OCR конвертер надсилає ваш документ на сервер.

У PDF приватність перестає бути абстракцією. Саме в цьому форматі подорожують договори, розрахункові листи, банківські виписки, медичні висновки, рахунки й скани документів, що посвідчують особу. Кожна конвертація тут працює всередині сторінки — PDF відкривається, відображається й читається кодом у вашому браузері, і жоден запит не містить файлу. Саме тому цей конвертер побудовано так, а PDF — категорія, де це важить найбільше.