提取文字

从 PDF 提取文字概述

读取 PDF 的文字层，进行复制或下载为 TXT 文件。 无需重新录入可见文字，即可生成文档的纯文本副本，便于记笔记、检索、引用或再利用。

文字通过 PDF.js 从 PDF 本就含有的那一层读取。这里没有文字识别，因此扫描或拍照的页面什么也不会返回：如果一份文档是以图像方式打开的，任何提取都取不出字来。输出是 UTF-8 纯文本，页与页之间以空行分隔。空格来自原文中文字片段的位置，这意味着多栏版式和表格可能奇怪地交错在一起，而格式、图片和链接目标都不会保留。

使用 PDFolio 从 PDF 提取文字

PDFolio 读取已有的文字层，然后显示浏览器预览并提供 TXT 下载。扫描页面看起来可读，却可能不含可选文字；本工具读取已有的 PDF 文字，不执行 OCR。

如果你想要带一点结构的文字，PDF 转 HTML 会把页面边界保留为小节，也更便于浏览。如果提取什么都没有返回，这份文档就是扫描件，通往文字的唯一途径是文字识别软件，而那超出了一个在浏览器内本地运行的工具所能可靠承担的范围。

下载之前

简单段落通常能干净地提取出来。由于 PDF 保存的是带位置的文字而非原始编辑结构，表格、分栏、页眉和装饰性版式可能会被读成一段连续文字。在依赖 TXT 文件前请先查看预览。

结果就绪后请立即下载，并在您惯用的 PDF 阅读器中打开以做最终检查。随后可使用清除数据，释放此浏览器标签页中的临时文件引用。PDFolio 不会创建账户、云端文件夹或服务器端的文档记录。

以私密方式在本地从 PDF 提取文字

PDFolio 在当前浏览器标签页中处理所选文件。设备上的 Web Worker 负责执行 PDF 任务，因此界面能保持流畅；文档数据不会被发送到任何 PDF 处理服务器、上传队列、账户数据库或广告平台。