PDF — это контейнер, а не текст
Научная статья в PDF выглядит как текст, но для машины это контейнер: где-то внутри лежит текстовый слой, где-то — только картинки страниц, где-то текст есть, но порезан вёрсткой на колонки и сноски. От того, что именно лежит внутри вашего файла, зависит качество выжимки — и это полезно понимать до загрузки.
Выжимка работает с текстом. Если статья открывается по ссылке — arXiv, PubMed, DOI, SSRN и большинство издательств с открытым доступом — текст загружается автоматически. Если у вас локальный файл, текст извлекается прямо в браузере: PDF не покидает ваше устройство, на сервер уходит только извлечённый текст. Это не маркетинговая формула, а техническое устройство инструмента — и удобное свойство для документов, которые не хочется никуда загружать целиком.
Что получается на выходе
Выжимка научной статьи структурна: суть работы, методы, ключевые результаты и что из них следует. Для русскоязычного читателя главная экономия — язык: англоязычная статья возвращается русским текстом с сохранёнными терминами. Читать оригинал со словарём не обязательно; вернуться к нему за точной цитатой — всегда можно.
Четыре формата закрывают разные задачи: тезисы — для конспекта, абзац — для пересылки, ключевые выводы — для «что мне с этим делать», TL;DR — для решения «читать ли вообще». У отчётов и электронных книг структура выжимки следует за структурой документа — при внятном оглавлении разделы сохраняются.
Границы, о которых важно знать
- Сканы без текстового слоя. Отсканированная книга — это фотографии страниц; извлекать из них нечего. Сначала прогоните документ через распознавание текста (OCR) — у нас есть отдельный разбор про сканы, — потом загружайте.
- 50 страниц и 15 МБ. Для большинства статей этого хватает целиком. Более длинный документ разбирается по первым 50 страницам — выжимка скажет, что была усечена. Диссертацию лучше делить по главам: каждая глава — отдельная выжимка.
- Пароли и шифрование. Защищённый PDF открыть нельзя — снимите защиту в редакторе, которым файл был создан.
- Вёрстка и формулы-картинки. Выжимка читает текст, а не расположение блоков. Схема, инфографика или формула, вставленная изображением, в текст не попадает. Для статей, где главное — рисунок 3, выжимка подскажет контекст, но сам рисунок придётся смотреть в оригинале.
Как готовить файл, чтобы выжимка была лучше
Три практических приёма. Во-первых, если издательство даёт и «журнальный» PDF, и версию для чтения — берите вторую: у неё чище текстовый слой. Во-вторых, из сборника трудов конференции вырежьте нужную статью, а не грузите весь том: лимит страниц уйдёт на оглавление. В-третьих, если вам нужна одна глава отчёта — отправьте её отдельным файлом; выжимка по релевантным страницам всегда плотнее выжимки «обо всём понемногу».
Что выжимка не заменяет
Научную добросовестность. Выжимка передаёт то, что утверждают авторы, — она не проверяет методологию, не пересчитывает статистику и не сравнивает работу с другими. Для обзора литературы это фильтр первого прохода: быстро понять, какие из двадцати статей стоят полного чтения. Цитировать в собственной работе стоит оригинал — по выжимке удобно найти, где именно искать.