提取文字

用途

把 PDF 中所有可选文字按页提取出来，导出为纯文本 TXT 文件。整个提取在浏览器本地通过 pdfjs-dist 解析文本对象完成，文件不上传服务器，免费、无水印、无限制。常用于把 PDF 报告的正文复制到 Word 继续编辑；把电子书的某章节抽出做笔记；从合同 PDF 中提取条款文本进行检索；为内容分析提供原始语料。

操作步骤

1. 拖入或点击选择 PDF 文件
2. 查看左侧文件信息（页数、是否含文本层）
3. （可选）勾选「保留分页符」让输出每页之间插入分隔
4. （可选）勾选「保留段落换行」（关闭则按原始换行原样导出）
5. 选择输出编码：UTF-8（推荐）或 GBK（兼容旧 Windows）
6. 点击「开始处理」
7. 等待按页拼接，文本预览出现在右侧
8. 点击「复制全部」直接到剪贴板，或点击「下载 .txt」保存文件

常见问题

PDF 文件会上传到服务器吗？

不会。文字提取通过浏览器本地的 pdfjs-dist 解析 PDF 内部文字流，所有操作在本机内存中完成，源文件从未上传任何服务器。

扫描件 PDF 提取不到文字怎么办？

扫描件是图像形式的 PDF，没有可选文字层，本工具无法直接提取。需要先用「OCR」工具把扫描件转换为可搜索 PDF，再用「文字提取」就能拿到文字。

提取后排版会乱吗？

PDF 的视觉排版（多栏、表格、图文混排）在转纯文本时不可避免会丢失结构。本工具按 PDF 文本对象的阅读顺序输出，多栏排版的论文可能出现栏间错乱。需要保留排版的复制建议直接复制粘贴或用「PDF 转 Word」。

提取的文字带乱码怎么解决？

多半是 PDF 嵌入字体使用了自定义编码（CID）而未提供 ToUnicode 表。这种情况靠常规提取拿不到正确字符，需要用 OCR 重新识别。

可以只提取某几页吗？

可以。在「页面选择」中输入页范围（如 1-3,5），仅提取指定页的文本。

应用场景

• 把 PDF 报告的核心段落抽到 Word 继续编辑
• 电子书章节摘要做读书笔记或引用
• 合同条款抽出后用编辑器全文检索关键字
• 学术论文导出文本喂给摘要工具或翻译软件
• 把多个 PDF 报表的文字内容批量抽出做数据分析

提示

如果导出后发现文字按列错乱，可在 PDF 阅读器中先把原文复制到记事本对比——错乱多半是 PDF 本身阅读顺序的问题，不是工具的 bug。需要严格保留表格结构请考虑「PDF → Excel」类专业工具。