PDF в текст

В заключении на двести страниц нужно найти и процитировать одну формулировку. Или текст нормативного документа должен уйти в переводчик, в разбор или просто в блокнот, без тянущихся следом колонтитулов. Выгрузка текста забирает ровно то, что хранится в файле как знаки, и сохраняет это в .txt в кодировке UTF-8, так что кириллица, буква ё и тире доходят без искажений.

Порядок чтения определяется порядком, в котором знаки записаны в файле, а он не всегда совпадает с тем, что видит глаз. При двухколоночной вёрстке, номерах страниц, заметках на полях и таблицах порядок может перемешиваться; ячейки таблицы выходят подряд строками, а их привязка к колонкам теряется. Оформление, изображения и разбиение на страницы намеренно не переносятся. Если на выходе одна абракадабра, значит в файле нет соответствия начертаний знакам Unicode, что встречается у старых издательских программ и после выгрузки уже не чинится.

Отсканированный PDF даст пустой файл, и это не сбой: на скане нет знаков, есть только изображение страницы. Для таких документов существует распознавание текста, но русского языка в списке его вариантов нет. Тому, кому удобнее сразу получить текст абзацами в редактируемом файле, подойдёт выгрузка в Word, которая, впрочем, тоже содержит только текст. Файл читается локально в браузере, никуда ничего не загружается.