PDF 转文本 使用方法
- 1
打开 PDF
把不超过 50 MB 的 PDF 拖到框内，或点击选择文件。受密码保护的文件会先要求输入密码。
- 2
选择文本布局
“段落”会生成适合阅读或粘贴的连贯文本；“页面布局”会保留每一行打印内容，并用空格对齐表格的列。
- 3
选择页面和 OCR
可以提取所有页面，也可以输入页码范围，例如 2-5, 9。如果部分页面是没有文本层的扫描页，请开启“使用 OCR”并选择语言。
- 4
复制或下载
点击“提取文本”，在框中检查结果，然后复制到剪贴板，或保存为 UTF-8 编码的 .txt 文件。
限制与 Pro
每次提取处理一个不超过 50 MB、最多 200 页的 PDF，包括 OCR。
Pro 可打开最大 4 GB 的 PDF，一次最多读取 5,000 页。 了解 Pro
关于 PDF 转文本
这个工具会读取大多数 PDF 自带的文本层，也就是你在 PDF 阅读器里能选中的那些字符，并按人阅读的顺序重新排好。直接从阅读器复制时，文章的两栏内容常常被逐行混在一起，每个句子在打印行末被截断，单词中间还会留下连字符。在这里，页面会先被划分为分栏和文本块，换行的句子会合并成段落，因跨行连字符断开的单词会重新接上，列表项开头的项目符号和编号会保留，表格则按行输出，单元格之间用制表符分隔，可以直接粘贴到电子表格中。页面顶部或底部边距里单独的页码不会输出，旋转或竖排的文字（例如斜向的“DRAFT”水印）也会被忽略。
“页面布局”模式则相反：它让每一行保持在原来打印的位置，用空格固定表单、发票或银行对账单的列。
扫描页没有文本层，只有一张纸的图像。开启 OCR 后，只有这些页面会由 Tesseract 引擎在浏览器中识别，支持 47 种语言。常见用途包括引用报告内容、把合同送入翻译器或字数统计工具，以及从对账单中提取数字。字体、颜色、图片和链接不会出现在输出中；如果需要这些，请改为将 PDF 转换为 Word。
隐私
PDF.js 在你设备上的 Web Worker 中解析文档，另一个 Worker 负责把文本行整理成段落；PDF 及其文本不会上传。只有开启 OCR 时，页面才会从 jsDelivr CDN 下载一次 Tesseract 引擎和一个语言文件，这些下载不包含你文档中的任何内容。
功能
按顺序读取分栏
两栏、三栏的版面会一栏接一栏地读取，而不是横跨页面逐行读取。
真正的段落
换行的句子会合并，因换行连字符断开的单词也会重新接上。
可直接粘贴的表格
表格行以制表符分隔输出，可直接用于电子表格；在“页面布局”中则用空格对齐。
扫描页 OCR
没有文本层的页面可用 Tesseract 在你的设备上识别，支持 47 种语言。