如何从 PDF 中提取文本
- 将 PDF 拖到上方的拖放区域，或点击选择文件。
- 点击提取文本。每一页的文本会按顺序读取并显示在预览框中，每页开头带有类似
--- 第 2 页 ---的标记。 - 从预览框中复制文本，或将其下载为纯文本
.txt文件（UTF-8）。
提取由 pdf.js 完成，它与 Firefox 内置 PDF 查看器采用的是同一个引擎，在您的浏览器标签页中运行。文档不会被上传，因此可以放心地从合同、研究论文或对账单中提取文本。
PDF 文本提取的原理
在 PDF 内部，每一页都有一个内容流：一串绘图指令，例如“使用字体 F1，11 磅，移动到位置 (72, 700)，显示这些字符”。因此，文本是以带位置的片段形式存储的，有时是整行，有时是一个单词，甚至是单个字母。
为了把它还原成可读的文本，提取器会：
- 利用 PDF 中嵌入的映射表，把每个片段从字体内部的字符编码解码为 Unicode；
- 按片段在页面上的位置对其排序；
- 在片段之间的间隙表明有新单词、新行的地方插入空格和换行。
由于 PDF 没有明确的段落或阅读顺序概念，输出的是带换行的纯文本，而不是格式化的段落。对大多数文档（信函、报告、书籍、文章）来说，结果读起来很自然。
局限
| 情形 | 您会看到什么 |
|---|---|
| 扫描或拍照的页面 | 没有文本——页面是图像，且不提供 OCR |
| 多栏版式 | 各栏可能逐行交错 |
| 表格 | 单元格的值按行排列，没有网格 |
| 没有 Unicode 映射的字体 | 乱码或缺字 |
| 受密码保护 / 已加密的 PDF | 文件无法打开 |
做个快速测试就能知道会得到什么：用任意查看器打开 PDF，试着选中一句话。如果能高亮并复制，就可以提取文本。如果整页作为一个整体被高亮，或者什么也选不中，那它就是图像。
小提示
- 想保留标题和段落，而不是纯文本行？请在可编辑模式下使用 PDF转Word。
- 对于以表格排列的数字，PDF转Excel会把数值放入行和列中。
- 纯文本非常适合用于搜索索引、翻译工具、字数统计、AI 摘要工具和无障碍软件，因为其中没有需要剔除的格式。
提示：原始 PDF 中跨行断开的带连字符的单词，在提取出的文本中也会保持断开。在大多数文本编辑器中，查找替换“连字符加换行”即可快速清理。
常见问题
为什么会出现“未找到文本”的提示？
该 PDF 包含的是文字的图像，而不是真正的文本，这在扫描件中很典型。这类文件只能借助 OCR 软件来恢复文本。
为什么有些字符被替换成了奇怪的符号？
有些 PDF 嵌入了使用自定义字符编码、没有 Unicode 映射的字体。查看器能画出这些字形，但没有可靠的办法知道它们代表哪些字母。
粗体或字号等格式会保留吗？
不会。输出是纯 UTF-8 文本。页面上的每一行都会变成一行文本，但字体、颜色和图像不会保留。
可以只提取某几页的文本吗？
该工具会提取整个文档。若想限定范围，请先用拆分PDF把需要的页面另存为单独的文件。
更新于