PDF转文本提取器

PDF转文本提取器会把 PDF 重新变成干净、可复制的纯文本——且不会上传任何内容。打开文件后，工具会读取每页背后存储的文本层，根据字形位置重建每一行，并交给你真正能再利用的文本：双栏页面会按栏输出而不是交错，每页重复出现的栏外标题和页码会被去掉，被行末连字符拆开的单词会重新拼在一起，硬换行的文本会重排成真正的段落。更需要原来的间距？切换到保持版式以处理表格、发票和收据，或用原始顺序查看文件中实际存储的内容。全部在浏览器中完成，因此合同、对账单、论文和手稿都不会离开你的设备。

如何从 PDF 中提取文本

1. 打开你的 PDF。将文件拖到放置区，或点按选择 PDF 文件。它在你的设备上读取，绝不会上传。赶时间？按下试用双栏示例页即可立刻看到工具效果。
2. 选择提取方式。智能重排会重建段落和阅读顺序，保持版式会还原页面上的间距，原始顺序则展示未经处理的提取结果。
3. 清理结果。保持移除重复页眉和页脚、拼接连字符单词和检测分栏开启；如果只需文档的一部分，在页面中输入如 1-5, 12 这样的范围。
4. 复制或下载。查看预览，然后按下复制全部文本，或将结果下载为 .txt 或 Markdown 文件。

应该使用哪种提取方式？

这个 PDF 转文本提取器有何不同

常见用途

引用研究论文而无需重新打字；把合同或租约的文本移入文档以便批注；抽出发票或对账单中的明细；把报告送进翻译、摘要或笔记应用；恢复电子书或手册中的文字以便搜索；为分析准备干净的语料；或者只是把一份很长的 PDF 变成屏幕阅读器、编辑器或手机能轻松处理的形式。

提取如何工作

几乎每一份以数字方式创建的 PDF，都会在可见页面背后存储一层不可见的文本层：就是你在阅读器中可以选中的那些字符，每一个都记录了它被绘制的精确位置。本工具读取该层，然后根据几何关系重建结构。共享同一基线的字符成为一行。测量每一行在页面上覆盖的水平空间，没有行跨越的纵向带被视为多栏版式的栏间隙，并据此设定阅读顺序。通栏元素——标题、图片说明、分隔线——会把页面分成栏区并留在原位。最后，典型的行间距和正文右边缘告诉工具段落真正在哪里结束，因此只有文本确实在继续时才会把行连接起来。

何时无法提取

扫描文档是页面的照片。它没有文本层，因此没有可提取的内容；任何声称并非如此的工具都是在猜测。本提取器会检测这种情况并明确告知，而不是交给你一个空文件；要从扫描件得到文本，需要先进行 OCR（光学字符识别）。加密的 PDF 在移除保护之前也无法打开。而且因为 PDF 描述的是绘图指令而不是文档大纲，有些情况本质上只能近似：设计很重的页面、侧栏、脚注、数学符号以及作为矢量图绘制的文字，出来的顺序可能需要你再手工整理。在三种方式之间切换，通常是得到最干净起点的最快办法。