Почему в PDF нельзя выделить и скопировать текст

Прогоните файл через «PDF в текст». Пустые страницы в TXT означают скан или текст в кривых — нужен OCR. Запрет копирования без пароля на открытие извлечению не мешает. Кракозябры OCR исправит, только если сначала превратить страницы в картинки.

Самый быстрый способ понять причину — прогнать файл через PDF в текст и посмотреть, что окажется в TXT. Инструмент берёт текстовый слой PDF как есть: если слоя нет, файл получится почти пустым, а если слой испорчен, вы увидите те же странные символы, что и при копировании. По такому результату причину видно точнее, чем по серой кнопке в просмотрщике.

Причин обычно четыре: страница — скан или фото, текст при экспорте превратили в кривые, автор запретил копирование в настройках защиты или сломано соответствие между видом букв и их кодами. Ниже — как распознать каждую и что делать.

Начните с одной строки

Откройте PDF и попробуйте выделить обычное предложение, затем вставьте его в простой текстовый редактор. Проверьте поиск по слову, которое хорошо видно на странице. Повторите опыт на другой странице: в одном документе могут соседствовать сканы и страницы с настоящим текстом.

Запишите результат. Выделение не работает совсем, выделяется вся страница целиком, вставляются случайные буквы или просмотрщик прямо сообщает, что копирование запрещено? Эти наблюдения полезнее размера файла. Большой PDF не обязательно скан, а маленький не обязательно содержит текст. Убедитесь также, что в просмотрщике выбран инструмент выделения текста, а не «рука» для перемещения страницы.

Что подскажет TXT из «PDF в текст»

Загрузите файл и запустите преобразование с настройками по умолчанию. В готовом TXT каждая страница начинается с метки вида «--- Страница 3 ---». Под меткой возможны три картины.

• «(пустая страница)». На этой странице нет текстового слоя: это изображение или текст в кривых. Если так выглядят все страницы, задание вдобавок показывает предупреждение «В этом PDF нет текстового слоя».
• Нормальный текст. Слой в порядке, а мешает просмотрщик или ограничения защиты, о которых ниже.
• Случайные буквы, квадратики или латиница вместо кириллицы. Слой есть, но испорчен.

Пустая страница в TXT не значит, что задание сломалось: инструмент честно сообщает, что извлекать нечего.

Страница — скан или фотография

Буквы могут быть частью картинки. Просмотрщик показывает их так же, как линии таблицы, и извлечение не превращает изображение в символы. Здесь нужен OCR PDF: он распознаёт текст и добавляет невидимый слой под изображением, после чего работают поиск и копирование.

В поле «язык OCR» есть три варианта: «авто», «английский» и «русский». «Авто» распознаёт русский и английский вместе и подходит для русских и смешанных документов. Если русского текста в документе нет, выберите «английский»: в режиме «авто» латинские буквы могут распознаться как похожие кириллические. Других языков сейчас нет: немецкий, французский или испанский текст распознаётся без своей языковой модели, и буквы с диакритикой (ä, é, ñ) могут потеряться или замениться. Для перекошенного скана включите «исправить перекос», а в поле «качество распознавания» выберите «точный», если точность важнее скорости.

Качество распознавания зависит от исходника. Мелкая печать, наклон и шум дают ошибки, особенно в числах. Для счёта на 12 580 рублей проверьте отдельно сумму, номер и дату: одной правильно распознанной фамилии мало, чтобы доверять всей странице. Если есть более чёткий скан, начните с него. Подробнее о настройках — в руководстве Как распознать текст в скане PDF с помощью OCR.

Текст превращён в кривые

Бывает, что страница выглядит как обычный набранный документ, но ни одна буква не выделяется, а в TXT стоит «(пустая страница)». Частая причина — при экспорте из графической программы или при подготовке к печати текст преобразовали в кривые (контуры). Каждая буква стала векторной фигурой, как линия или логотип, и символов в файле больше нет. Если буквы остаются резкими при сильном увеличении, это не скан, но для копирования разницы нет: страница ведёт себя как картинка.

Помогает тот же OCR. Если открыть файл в Редактировать PDF и нажать «Распознать текст (OCR)», панель покажет состояние каждой страницы: «есть текст», «скан» или «рисунок». Пометка «рисунок» означает страницу без текста, но с большим количеством векторной графики, то есть типичный текст в кривых. Вариант «Страницы без текста» выбирает и сканы, и такие страницы.

Копирование запрещено настройками защиты

PDF может открываться без пароля, но с запретом копирования: автор задал ограничения через пароль владельца. Просмотрщик тогда делает пункт «Копировать» неактивным или показывает сообщение о правах. Это не то же самое, что пароль на открытие, без которого файл не покажет ни одной страницы.

Если файл открывается без пароля, PDF в текст извлечёт текст сразу, снимать защиту для этого не нужно. Если копировать нужно прямо в просмотрщике, Снять защиту PDF уберёт такие ограничения: поле «пароль» оставьте пустым, пароль владельца не требуется. Делайте это со своими документами или с файлами, которые вам разрешено использовать. Ограничения бывают частью договорённости с автором, и снятие защиты не даёт права распоряжаться содержимым.

Если файл просит пароль на открытие, его нужно знать: введите его в поле «пароль». Инструмент не подбирает пароли. Без пароля попросите отправителя прислать доступную версию. Подробнее о защите — в статье Как снять пароль с защищённого PDF.

Копируются непонятные символы

В PDF внешний вид буквы и её текстовое значение хранятся раздельно. Если таблица соответствия в шрифте неполная или испорчена, страница читается нормально, а в буфер обмена попадает бессмыслица. Обычно виноват шрифт или способ экспорта исходного документа. Смена расширения на .txt ничего не исправит.

Лучший путь — новый экспорт из исходной программы со встроенными шрифтами. Если исходника нет, учтите ловушку: OCR PDF пропускает страницы, где уже есть текстовый слой хотя бы из 24 непробельных символов, даже если этот слой — мусор. Задание завершится, но такие страницы останутся как были.

Обходной путь — сначала превратить страницы в картинки. Пропустите файл через PDF в JPG: получится ZIP-архив с изображением каждой страницы. Загрузите архив целиком или распакованные картинки в JPG в PDF и проверьте порядок страниц. В новом PDF текстового слоя нет, поэтому OCR PDF распознает все страницы. Ссылки и закладки исходника при этом пропадут, а файл может стать больше, так что храните оригинал рядом. За один запуск «JPG в PDF» принимает ограниченное число картинок, и картинки из ZIP тоже считаются (лимит указан на странице инструмента). Длинный документ обработайте частями и соедините получившиеся PDF через Объединить PDF. Обходной путь занимает минимум три операции из дневного лимита, а при работе частями — больше.

Проверьте результат целиком

После исправления откройте первую, среднюю и последнюю страницы. Найдите слово поиском, скопируйте предложение и сверьте критичные значения с изображением. Таблицы проверяйте отдельно: наличие текста ещё не означает правильный порядок ячеек в TXT.

Если нужен весь текст, а не отдельная цитата, переходите к извлечению: как выбрать режим и настроить разрывы страниц, описано в статье Как извлечь текст из PDF и сохранить в TXT. Сохраните исходный PDF рядом с результатом и отмечайте места, где распознавание или порядок строк потребовали ручной правки.