Конвертировать PDF в текст

Откуда берутся слова и в каком порядке они приходят

Символы в PDF хранятся не как текст. Они хранятся как номера глифов во встроенном шрифте, а чтобы превратить их обратно в буквы, нужна таблица внутри файла, где сказано, какой символ означает каждый глиф. Большинство программ её записывают. Когда её нет — а обычно виноваты урезанные подмножества шрифтов, которые создаёт некоторый дизайнерский софт, — страница на экране выглядит идеально, а извлекается абракадаброй, потому что сведения, нужные для чтения, так и не были записаны. Никакой экстрактор этого не исправит: здесь не сложная задача, а просто отсутствующие данные.

Прежде чем доверять результату, проверьте порядок чтения. Текст выходит в том порядке, в котором страница его рисует, то есть в том, в каком его случайно выдала программа, создавшая PDF, — и часто это не тот порядок, в котором читает человек. Двухколоночная страница нередко извлекается как левая и правая колонки, аккуратно разделённые, или как строки вперемешку — всё зависит от того, как её сгенерировали. Колонтитулы, номера страниц и врезки оказываются там, где их нарисовали, — обычно посреди основного текста.

Несколько мелких артефактов лучше знать в лицо, чем ломать над ними голову. Лигатуры приходят тем единственным символом, который реально использовал шрифт, так что в английском «find» сочетание fi может прийти одним глифом, а не буквой f и следом i, — и простой поиск по «find» это слово пропустит. Слова, перенесённые с дефисом на границе строки, так и остаются с дефисом, потому что перенос в файле настоящий. А прямые кавычки часто оказываются типографскими — это важно, если текст пойдёт в код или в CSV.

Отсканированная страница не даёт вообще ничего, и инструмент прямо об этом говорит, вместо того чтобы вернуть пустой файл: на фотографии документа нет символов, только пиксели. То же касается текста, переведённого в кривые, — дизайнеры делают это намеренно, чтобы файл везде печатался одинаково, и к этому моменту это уже действительно графика. В обоих случаях нужно не извлечение, а OCR.

Если нужно другое

Когда важны колонки, pdftotext -layout in.pdf out.txt из Poppler справляется лучше всего, что может браузер: он воссоздаёт визуальные отступы настоящими пробелами, так что колонки остаются колонками, а таблица — читаемой таблицей. pdftotext -raw идёт в обратную сторону и отдаёт нетронутый порядок отрисовки — иногда именно это и нужно скрипту.

Для текста из сотен файлов основой стоит взять mutool draw -F txt и питоновский pdfplumber — pdfplumber, в частности, отдаёт каждый символ с координатами, шрифтом и размером, так что колонтитулы можно отфильтровать по положению, а не наугад. Этого эта страница сделать не может, а при больших объёмах важно именно это.