Как конвертировать PDF в текст на Linux

В отличие от простого текстового файла, PDF нельзя редактировать напрямую как текст. Существуют разные способы создавать PDF из текста, но обратная задача — получить текст из PDF — вызывает больше вопросов. На Linux это можно сделать быстро прямо из терминала или с помощью графических приложений. В этой статье показаны проверенные методы конвертации PDF в текст, шаг за шагом.

Установка Poppler и pdftotext

Poppler — это библиотека для рендеринга PDF и набора утилит для работы с PDF, в том числе pdftotext. В большинстве дистрибутивов poppler-utils нужно установить вручную через менеджер пакетов.

На Ubuntu и Debian:

sudo apt install poppler-utils

На Arch Linux:

sudo pacman -S poppler

На CentOS, Fedora и RHEL-подобных дистрибутивах:

sudo dnf install poppler-utils
sudo yum install poppler-utils

После установки утилиты pdftotext вы сможете конвертировать PDF в обычные текстовые файлы из терминала.

Конвертация всего PDF в текст

Базовый синтаксис pdftotext:

pdftotext [options] pdffile textfile

Здесь pdffile — путь к PDF (абсолютный или относительно текущей папки), textfile — имя выходного текстового файла.

Пример: конвертировать lorem-ipsum.pdf в текстовый файл:

pdftotext lorem-ipsum.pdf text.txt

Если в PDF есть диаграммы, водяные знаки или невыравненный текст, можно исключить диагональные элементы из вывода с помощью флага -nodiag:

pdftotext -nodiag lorem-ipsum.pdf random.text

Конвертация конкретного диапазона страниц

Чтобы обработать только определённые страницы, используйте флаги -f (first) и -l (last). Пример: страницы с 1 по 5:

pdftotext -f 1 -l 5 lorem-ipsum.pdf output.txt

Только первая страница:

pdftotext -f 1 -l 1 lorem-ipsum.pdf output.txt

Конвертация защищённых PDF

pdftotext поддерживает конвертацию защищённых паролем PDF с помощью флагов -upw (user password) и -opw (owner password).

pdftotext -upw password lorem-ipsum.pdf output.txt
pdftotext -opw password lorem-ipsum.pdf output.txt

Замените password на реальный пароль документа. Можно комбинировать флаги, например, чтобы конвертировать страницы 1–3 защищённого PDF:

pdftotext -f 1 -l 3 -upw password lorem-ipsum.pdf output.txt

Важное замечание: перед тем как запускать команды с паролями, убедитесь, что вы не раскрываете секреты в общедоступных логах или скриптах.

Связанная статья: Как конвертировать PDF в изображения на Linux

Когда pdftotext не подходит (и что делать)

pdftotext извлекает встроенный текст из PDF, поэтому он не может распознать текст, представленный как изображение (сканы, снимки). В таких случаях нужен OCR — оптическое распознавание текста.

Альтернативы и дополнения:

• Tesseract — популярный OCR-движок. Работает хорошо для сканов на многих языках.
• OCRmyPDF — обёртка, которая добавляет слой OCR прямо в PDF или экспортирует текст. Удобна для пакетной обработки.
• Комбинация конвертации страниц в изображения (например, с помощью pdftoppm из пакета poppler) и последующего запуска Tesseract.

Пример базового workflow для сканов:

1. Экспорт страниц в PNG: pdftoppm -png input.pdf page
2. Распознавание: tesseract page-1.png output-1 -l rus+eng (укажите нужные языки)

Если PDF содержит сложную вёрстку (колонки, таблицы), pdftotext может вернуть поток символов в порядке, отличном от видимого. Для таких случаев пригодятся специальные парсеры PDF или ручная корректировка.

Графический способ: Calibre

Если вы предпочитаете GUI, используйте Calibre — приложение для управления и конвертации электронных книг. Оно поддерживает экспорт в TXT и удобный визуальный интерфейс.

Установка Calibre:

На Ubuntu и Debian:

sudo apt install calibre

На Arch Linux:

sudo pacman -S calibre

На RHEL-подобных дистрибутивах:

sudo dnf install calibre
sudo yum install calibre

Как конвертировать PDF в текст через Calibre

Запустите Calibre через меню приложений или введите в терминале:

calibre

Дальше:

1. Нажмите кнопку Add Books, чтобы добавить PDF в библиотеку.

2. Найдите и выберите PDF-файл.

3. Выделите файл в центральной панели и нажмите Convert Books.

4. В выпадающем списке Output format выберите TXT.

5. Нажмите OK — конвертация начнётся. Статус можно отслеживать через Jobs в правом нижнем углу окна.

Calibre хорошо подходит для одиночных файлов и удобен, когда нужна быстрая проверка результата в GUI.

Практические рекомендации и чек-лист

Краткий чек-лист перед конвертацией:

• Убедитесь, что PDF содержит «реальный» текст (попробуйте выделить текст в просмотрщике).
• Если PDF — скан, применяйте OCR (Tesseract, OCRmyPDF).
• Для пакетной обработки автоматизируйте pdftotext в скрипте bash или Makefile.
• Не храните пароли в скриптах в открытом виде; используйте менеджеры секретов.
• Проверьте результат на наличие ошибок разметки (колонки, переносы строк, таблицы).

Роль-based чек-лист (коротко):

• Для конечного пользователя: используйте pdftotext или Calibre, проверьте выходной TXT на читаемость.
• Для администратора: автоматизируйте конвертацию, добавьте логирование и проверку кодировок (UTF-8).
• Для разработчика: обрабатывайте edge-case’ы (сканы, нестандартные кодировки) и тестируйте pipeline.

Критерии приёмки

1. Конвертация не должна терять алфавитные символы и основные разделы текста.
2. Для PDF с реальным текстом pdftotext должен выдавать читаемый TXT без OCR.
3. Для сканов — результат OCR должен иметь приемлемую точность распознавания для дальнейшей правки.
4. Для автоматизированных скриптов — ошибки конвертации должны логироваться и возвращать ненулевой код выхода.

Тестовые случаи и приёмка

• Тест 1: обычный PDF с одним столбцом — ожидаемый результат: правильно выстроенные строки.
• Тест 2: PDF со столбцами — оценить порядок текста и, при необходимости, вручную исправить.
• Тест 3: отсканированный PDF — запуск OCR, оценка точности по глоссарию.
• Тест 4: защищённый PDF — проверка конвертации с -upw и -opw.

Ментальные модели и подсказки

• Подумайте о PDF как о контейнере: текст может быть «внутренним текстом» или «изображением». От этого зависит метод.
• pdftotext — быстрый и надёжный для «истинных» PDF. OCR — дорогой по времени, но единственный выбор для сканов.
• Всегда проверяйте кодировку выходного файла (предпочтительна UTF-8).

Безопасность и приватность

• Не храните пароли в открытых скриптах; используйте переменные окружения или менеджеры секретов.
• При обработке конфиденциальных документов лучше проводить конвертацию локально, а не отдавать файлы внешним сервисам.

Краткое резюме

pdftotext из набора poppler-utils — ваш быстрый инструмент для извлечения текста из PDF в Linux. Для сканов используйте OCR (Tesseract, OCRmyPDF). Calibre даёт удобный GUI для единичных файлов. Автоматизацию лучше строить на скриптах с обработкой ошибок и логированием.

Важно: если вам нужно извлечь структуру (таблицы, колонки) с высокой точностью, рассмотрите специализированные парсеры PDF и постобработку результатов.

Краткий список полезных команд (шпаргалка):

# Установка
sudo apt install poppler-utils
sudo apt install calibre

# Конвертация полного PDF
pdftotext file.pdf file.txt

# Диапазон страниц
pdftotext -f 1 -l 5 file.pdf output.txt

# Защищённый PDF
pdftotext -upw password file.pdf out.txt

# Экспорт в PNG и OCR
pdftoppm -png input.pdf page
tesseract page-1.png output-1 -l rus+eng

1-line glossary:

• pdf: формат документа для обмена и печати.
• pdftotext: утилита для извлечения текста из PDF.
• OCR: оптическое распознавание текста (Tesseract — популярная реализация).

Конец статьи.