PDF 文字提取

这个工具把 PDF 里本来就存在的文字内容读出来,按页分段显示在页面上,你可以一键复制全部,也可以下载成 txt 文本文件。它读取的是 PDF 的文字层,不是通过图像识别(OCR)去「看」页面,所以只对由 Word、网页打印或其他软件直接导出的 PDF 有效;扫描件、拍照得到的 PDF 里没有真实文字,需要先用 OCR 工具处理。另外,它输出的是纯文本,不保留表格、字体、图片和排版。

操作步骤

1. 点击虚线框「点击选择PDF文件」,选择一个 PDF。选好后会立即开始处理,不需要再点按钮,处理期间显示「正在提取文字…」。
2. 处理完成后,「提取结果」区域会列出全部文字。每一页前面都会加一行分隔标记,形如「--- 第 1 页 ---」,方便你对应原文件的页码。
3. 点击右上角的「复制全部」,把全部文字复制到剪贴板,按钮会短暂变为「已复制」。
4. 如果想保存为文件,点击「下载txt」,会得到名为「提取文字.txt」的文本文件。
5. 文字框高度有限,内容较多时可以在框内滚动查看。

一个实际示例

下面的输出是用与页面相同的 PDF 文字读取库(pdf.js)对一份自制测试文件实际提取得到的。测试文件共三页:第 1 页含「Invoice Summary」和「Total due: 120 USD. Please pay the invoice.」两行文字;第 2 页含「Appendix」和「No invoice here? Invoice again.」;第 3 页是空白页。提取结果为:第 1 页下面是两行:「Invoice Summary」和「Total due: 120 USD. Please pay the invoice.」,第 2 页下面是「Appendix」和「No invoice here? Invoice again.」两行。原本的换行得到了保留。第 3 页是空白页,只留下页码标记(只有整份文件都提取不到文字时才会出现扫描件提示)。

支持范围与已知限制

• 只能提取真实文字层。纯图片的 PDF(扫描件、截图转 PDF)提取不到文字。
• 如果整份文件都没有提取到任何文字(典型的扫描件),页面会显示红色提示「没有提取到任何文字……建议使用OCR文字识别工具」。只有部分页面是图片时,这些页面只会留下页码标记,后面是空的。
• 文字块之间按 PDF 记录的换行位置换行,但段落结构不会特别保留;中日韩文字之间不会再被加入多余的空格,其他文字块之间补一个空格。个别 PDF 的换行标记不规范时,换行位置可能与原文有出入。
• 表格会被拆成一串串文字,列与列之间的对应关系无法保留。
• 带打开密码的文件、已损坏的文件无法读取,会显示上面的出错提示。
• 页数非常多或文件非常大时处理会比较慢,因为整个文件都在浏览器内存里处理。
• 如果 PDF 里的字体没有提供正确的字符映射,提取出来的文字可能是乱码或缺字,这是文件本身的问题。

为什么我的 PDF 提取出来是空的?

最常见的原因是这份 PDF 是扫描或拍照得到的,页面实际上是一张张图片。你可以用阅读器尝试拖选页面上的文字,如果选不中,基本就属于这种情况。这时需要 OCR(文字识别)工具。少数情况下,文字被转成了图形轮廓,也会表现出同样的现象。

提取出来的文字顺序对吗?

工具是按照文字在 PDF 内部存储的顺序输出的,多数由文字处理软件导出的单栏文档顺序与阅读顺序一致。但多栏排版、文本框、页眉页脚的内部顺序取决于生成软件,可能和你眼睛看到的顺序不同,需要核对。

提取的内容能直接拿来引用吗?

建议先对照原文校对。由于空格和换行处理、字体映射、连字符等原因,提取结果可能与原文有细微差别。用于重要用途(合同、法律或财务文件)时,请以原始 PDF 为准。

它和 PDF 转 Word 有什么区别?

这个工具只输出纯文本,没有格式。如果你需要尽量保留段落和样式,请看站内的 PDF 转 Word 工具。如果只是想快速复制文字或做搜索、统计,这个工具更直接。

隐私与处理方式

你选择的文件在浏览器内读取,文字提取由本地打包的 pdf.js 组件完成,页面中没有上传文件或提取结果的网络请求。提取出的文字只显示在当前页面中,点击「下载txt」时才会生成文件保存到你的设备。页面不保存任何内容,刷新后即清除。