PDF 提取文字 文件处理，更简单

课程资料、工作报告或电子合同常以 PDF 交付，阅读方便，摘录却可能费时。若文件本来含有可选中的文字层，本工具可按页面提取文字，在浏览器中检查、复制，并下载 UTF-8 编码的 TXT。可选择全部页面、某一文件页码或明确范围，也能标明每段文字来自哪一页。整个提取过程在浏览器中完成，所选 PDF 不会提交给文档处理接口；页面程序仍需从本站加载。

这项功能只读取现成文字层，不把图片中的字识别出来。扫描纸张得到的 PDF，页面看起来有清楚文字，却可能只是像素图。此时工具会列出“无可提取文字”的页码，不会因此称文件损坏。OCR 是分析图像并识别字符的另一项工作，本批工具不提供。多栏文章、表格和分散文本框也可能出现文字顺序变化，下载前请把结果和原页对照。

1. 添加一份文件。 选择不超过 30 MB、共 1—200 页的 PDF。程序先核对文件及页数；需要密码、损坏或不受支持的文件会报错。
2. 指定页面。 可提取全部、单页，或输入 1-3,5 这类页码范围。这里采用 PDF 内的实际顺序，从第一张纸算作第 1 页。重复、空项和越界范围会被拒绝。
3. 选择换行方式。 “保留检测到的行”尽量依照阅读器给出的断行和位置输出；“适度合并连续行”让普通段落更紧凑。两者都不能还原作者在 Word 等源文件中的真正段落结构。
4. 决定是否标明来源页。 勾选后，每页有独立页头和分隔，便于以后核对引文位置。取消勾选后，只保留提取出的正文；无文字页仍在结果提示里列明。
5. 检查、复制或下载。 在结果框阅读文字和无文字页列表。可以复制全文，也能下载 UTF-8 TXT。涉及姓名、数字或正式引用时，务必回到原 PDF 复核。

PDF 页面往往存储为许多放在具体坐标上的短文字片段，而不是完整的可编辑段落。“保留检测到的行”根据文字片段的换行提示和纵向位置，组织成一行一行的文本。若源文件把同一句话拆成几个坐标片段，工具会参考片段距离补空格；中文相邻片段会尽量避免多余的英文空格。布局异常时仍可能发生断行不准、片段连接不自然等情况，所以这种模式也不是原版式的逐字还原。

“适度合并连续行”先得到检测到的行，再把看起来相连的行接起来；遇到简单的句末符号或列表开头则保留分行。这样在读长段落或粘贴到笔记时可能更顺畅。它不会自动理解标题层级、脚注、双栏、引文格式，也不能判定作者当初在哪里按下回车。中文句子若在行末、行首连续出现，连接时不额外加入英文空格；其他语言通常以一个空格连接。需要核对排版位置时，优先使用保留行的模式。

工具里的“第几页”指 PDF 文件中从前往后的纸张位置，不一定等于纸面印刷数字，也不一定等于阅读器工具栏显示的内部页面标签。例如封面后第一张正文印着“1”，它在文件里可能是第 2 页。输入 4,1-2，会先提取文件第 4 页，再提取第 1、2 页。这适合按自己的顺序摘录，但如果要引用来源，最好保留自动生成的页头。

开启页码分隔后，每个选中页面会以明确的来源页头开头。没有文字层的页面会显示提示，避免在长篇输出中被误认为根本没有这一张纸。页头是本工具生成的标签，不是从原稿里读出的句子。关闭分隔时，无文字页不会贡献正文，但结果区仍会指出它的页码。如果一个资料包同时有扫描页和电子文字页，保留分隔有助于发现空白段落究竟对应哪一页。

纸质材料经扫描后，PDF 可能只保存一幅或多幅页面照片。人眼能看到“文字”，程序看到的却是图像数据，没有可复制的字符。此工具会如实报告该页没有可提取文字；这并不表示图片空白，也不说明 PDF 已损坏。要把扫描图变成可搜索的文字，需要 OCR 识别，再由人检查识别出的姓名、数字、标点和专业术语。某些文件还把字转换为矢量轮廓，视觉效果像字体，却同样缺少普通文字编码。

也有扫描件已经附带隐藏的 OCR 文字层。此时提取可能得到内容，但这些字来自现有识别结果，错误仍会原样带入。请把关键信息与可见页面对照。少数文件含有字体编码问题，导致阅读器能显示字形，却很难还原正确字符；若原 PDF 明明可选中而这里结果为空或乱码，可用另一款 PDF 阅读器复查。本工具不会凭图像自行编造文字，也不会把无文字页误判为坏文件。

人从左栏读完再读右栏，不代表 PDF 按这个顺序保存文字。文件可能先写右栏，再写左栏，也可能把两栏的句子交叉写入。页眉、页脚、旁注、图注、脚注和单独的文本框也会打乱片段顺序。本工具沿用 PDF 阅读器交出的文字片段，只做有限的行组织和段落合并，不根据页面区域重建可靠的双栏阅读路线。正式引用或交给其他系统处理之前，要把提取结果放在原页旁逐段确认。

表格除了字，还依赖行列位置、边框和单元格归属。纯 TXT 没有单元格概念。即便所有数字都被提取，原来属于哪个表头、哪一行仍可能不清楚。本工具不把普通文本输出冒充表格转 CSV，也不承诺自动保留表格结构。如果后续要做计算或形成电子表格，应选专门的表格识别方法，并逐列核对单位、合计与空白值。

下载文件使用 UTF-8 编码，并带有方便常见桌面编辑器识别编码的标记。它包含结果框中的文字，以及你选择保留的来源页头。只要来源文字层能被正确读取，中文、英文和其他 Unicode 字符都可以写进普通 TXT。点击复制会尝试把全文放进剪贴板；若浏览器权限不允许自动复制，页面会选中结果文字，提示使用键盘复制快捷键。也可以在结果框中自行选择一小段。

单份输入上限为 30 MB、200 页；提取出的 TXT 内容上限为 12 MB，以控制内存和意外大文件。处理按页推进，有进度和取消按钮。取消后不会提供半成品下载，可以调整范围重试。没有文字的页面也计入页数，并在结果中报告。来源 PDF 不会被修改。TXT 不保存图片、字体、颜色、批注、链接、页面尺寸或可交互表单，因此不能把它当作新 PDF 或原排版的备份。

普通电子资料的提取结果可用于快速搜索和整理笔记，但正式材料中的一个数字、一处负号或顺序颠倒都可能改变含义。引用法律、科研、医疗或财务文本时，应重新打开原 PDF 检查目标句子。特别留意范围的首尾页是否在结果中、中文标点是否保留，以及扫描页是否被列出。工具提供可直接检查的结果框和无文字页列表，却无法判断句子在业务上的真伪或完整性。

加密或损坏文件不会被假装转换成功。特殊字体缺少字符映射时，抽出的字可能为空或错误，即使页面显示正常。导出的只是普通文本，不会反向给原扫描件增加文字层，也不会让旧 PDF 自动变成可搜索文件。若你的真正目标是识别扫描图，请使用 OCR 流程，并认真校对识别结果。

页面可能是扫描图片、字形轮廓，或采用难以还原的特殊字体编码。本工具读取现有文字层，会列出无文字的文件页码，方便你判断是否需要 OCR 或换阅读器复查。

选择“保留检测到的行”。它依照文字片段的换行标志和位置组织输出，但 PDF 不一定存有真正的段落边界。重要排版仍需对照原页。

PDF 的绘制顺序可能与人眼阅读顺序不同。本工具不重建复杂栏目或表格。可以缩小范围，按原页手工校正顺序。

可以，只要来源 PDF 有可提取的中文字符。下载采用 UTF-8。纯扫描图片不会被识别成中文文字。

不会。TXT 只有提取出的字符和可选页码标签，图像、页面布局及表格单元格关系不会保留。