PDF 转文本工具

从一个或多个 PDF 中提取文字:按顺序读取分栏,修复行末断词,保留段落。可保存为 .txt 或 Markdown,也可以用 OCR 识别扫描页面。文件在你的设备上处理,从不上传。

PDF 文件

还没有 PDF

选择一个 PDF 读取其中的文字,或试用示例,看看分栏、断词和表格的处理效果。

输出格式
纯段落。表格变为以制表符分隔的行。
换行方式
同一段落的行会被合并,最适合阅读和粘贴到文档中。
选项

提取的文字

页数
—
词数
—
字符数
—
添加 PDF 即可开始

PDF 在你的设备上读取,文字也在你的设备上生成。不会上传任何内容。

文字顺序根据每个词在页面上的位置重新排列,因此特殊版式、图画中的文字和复杂表格可能顺序错误。扫描页面需要 OCR,其准确度低于真实文字。依赖结果之前请先检查。

如何从 PDF 中提取文字

从 PDF 中提取文字,只需把文件拖到上方的方框中。页面读取完成后,文字会立即出现在右侧,你可以复制,或下载为 .txt 或 Markdown 文件。全部处理都在你的浏览器中完成,因此合同、银行对账单或未公开的书稿从不会发送到服务器。

  1. 可以添加一个 PDF,也可以添加多个。如果只想看看工具的效果,可以点击示例按钮。
  2. 选择纯文本或 Markdown,并决定是否把行合并为段落。
  3. 如果只需要文件的一部分,输入页面范围,例如 1-3, 5, 8-。
  4. 在整个文档视图或逐页视图中检查结果,然后复制或下载。处理多个文件时,全部下载(.zip)会为每个 PDF 生成一个文本文件。

文字上方显示的词数和字符数是针对你所选页面的统计,便于在不打开文字处理软件的情况下快速统计一份长报告。

为什么复制出来的 PDF 文字看起来是乱的?

PDF 中并不包含段落。它包含的是带坐标的文字片段,按照生成文件的程序所选的任意顺序绘制。在 PDF 阅读器中选中并复制,你会得到每个印刷行末尾的换行、被连字符断成两半的单词,而在双栏文章中,左栏第一行后面会紧跟右栏的第一行。

本工具根据坐标重建文档结构:

复制时遇到的问题工具的处理方式选项
每个印刷行末尾都有换行把同一段落的行连接起来,保留段落之间的空隙换行方式
inter-
national 被拆成两行
去掉连字符,把单词接合起来修复行末被连字符拆开的单词
各栏内容混在一起先读完左栏直到底部,再读下一栏按顺序逐栏读取
每页都有页码和标题删除在顶部或底部边距中重复出现的行移除重复的页眉和页脚
表格被压成一串词保留行和列,以制表符分隔或生成 Markdown 表格识别表格

关于断词修复需要注意:它会把小写字母开头的延续部分与前面的词连接起来,因此一个恰好在连字符处断开的真正复合词,例如 "well-
known",会变成 "wellknown"。如果文档中有大量复合词,请取消勾选该选项。

纯文本还是 Markdown?

纯文本最适合粘贴到电子邮件、笔记应用或翻译工具中,最为安全。如果文字要放进文档、维基或能够识别 Markdown 的笔记应用中,Markdown 更合适。工具会根据字号推断标题:最大的标题字号变为 #,其次是 ##,再然后是 ###。项目符号和编号列表会保留其标记,表格会变为 Markdown 表格。如果一个 PDF 所有文字都使用同一种字号,就没有可识别的标题。

扫描的 PDF 与 OCR

扫描件是页面的照片,因此其中没有可以提取的文字。当某一页没有文字层时,会出现一个 OCR 方框,你可以在其中选择语言并识别页面。OCR 引擎(Tesseract)在你的浏览器中运行。引擎和语言数据会在你首次使用时下载(几兆字节,部分语言更大),而你的页面仍然不会被上传。

无法处理的内容

作为图片、图表或图画一部分的文字,并不是 PDF 中的文字,除非对该页使用 OCR,否则会被跳过。带有浮动文本框、侧栏或环绕图片文字的复杂版式,顺序可能出错,逐页视图是发现这些问题最快的方法。使用了损坏字体编码制作的 PDF 可能会出现乱码字母,这些问题会在你下载任何内容之前显示在结果中。横向排列的文字会被略去。超过 150 MB 的文件会被拒绝,以免标签页耗尽内存。

常见问题

怎样在不上传的情况下提取 PDF 中的文字?

把 PDF 拖到本页,过一会儿右侧就会显示文字,你可以复制,或下载为 .txt 文件。文件由你的浏览器直接读取,内容不会离开你的手机或电脑。一份 20 页的文字 PDF 只需几秒钟。

为什么从 PDF 复制的文字会断行、间距怪异?

PDF 把每一行存储为放在页面上的独立片段,而不是段落。本工具会按阅读顺序把这些片段重新排列,把每个段落的行连接起来,并修复行末被连字符拆开的单词,这样粘贴到文档中会更整洁。如果你需要保留印刷时的原样换行,请把“换行方式”改为“保留换行”。

能按正确顺序读取两栏或三栏的 PDF 吗?

大多数情况下可以。工具会寻找清晰的竖向空白,先从上到下读完一栏,再读下一栏,而位于分栏上方的通栏标题会保持在最前面。如果杂志页面中的文字环绕图片、侧栏或不规则的文本框,顺序仍可能出错,这时请用逐页视图检查这些页面。

怎样从扫描的 PDF 中提取文字?

当某一页没有文字层时,会出现 OCR 方框。选择文档的语言,然后点击“用 OCR 识别页面”。识别引擎在你的浏览器中运行,首次使用时会下载一次语言数据。清晰的 300 DPI 扫描件识别效果很好,而倾斜的手机照片效果差得多,因此请务必校对结果。

能把文字导出为带标题的 Markdown 吗?

可以。选择 Markdown(.md),较大的字号会被转换为标题:最大的字号变为 #,其次是 ##,然后是 ###。项目符号和编号列表会保留其标记,表格会变为 Markdown 表格。标题是根据字号推断的,因此如果整个 PDF 都使用同一种字号,就不会生成任何标题。

怎样从提取的文字中去掉页眉、页脚和页码?

保持“移除重复的页眉、页脚和页码”处于勾选状态即可。在页面顶部或底部边距中、至少出现在一半页面上的重复行,以及单独的页码,都会被删除。只出现在一页上的标题会保留。如果删掉了你需要的页脚,请取消勾选该选项。

能只提取部分页面,或一次处理多个 PDF 吗?

在“页面”框中输入例如 1-3, 5, 8-,则只会读取这些页面。你也可以添加多个 PDF,并把每个文件的文本分别打包为一个 .zip 下载。同样的选项和页面范围适用于每个文件。

PDF 的大小有限制吗?

最大可以打开 150 MB 的 PDF,一次最多读取 3,000 页。页面会逐页处理,并显示进度条和“取消”按钮,因此 200 页的文件不会让标签页卡死。有密码的 PDF 会要求输入密码,密码只用于在你的设备上打开文件。