PDF转文本
把PDF精简到只剩文字：没有字体、没有图片、没有排版，只有一个.txt文件，可用于搜索、粘贴、比对差异、交给脚本处理或导入翻译工具。扫描页面会先经过OCR识别。
PDF 转换器
或将PDF 文件拖放到此处 ·
单个文件最大 95 MB· 最多 20 个文件· 30 分钟后删除
文件在我们的服务器上处理，并在 30 分钟后删除。
扫描版 PDF 其实是页面图片。“自动”只对没有文字层的页面进行 OCR；“始终”则对每一页都强制执行。
扫描件中印刷文字的语言。选对语言能明显提高带重音符号和非拉丁文字的识别准确率。
流式文本会重新排成普通段落，便于编辑。精确版式会把每个内容块放在原来的位置，外观一致但更难编辑。
检测到的表格在工作簿中的存放方式。
页码或页码范围，用逗号分隔，例如 1-3, 5, 8-10。
使用方法
- 1
拖入PDF文件
上传单个 PDF，或一次最多 20 个，每个不超过 95 MB。同一文件中既有电子文字页又有扫描页时，会逐页分别处理。
- 2
按需缩小范围
转换为 默认已选中纯文本。如果只需要某一章或附录，可在 高级设置 中使用 要转换的页面。
- 3
下载.txt文件
点击 转换为 纯文本。文件采用 UTF-8 编码，带重音的字母和非拉丁文字在任何现代编辑器中都能正常显示。
从 PDF 中提取文字最干净的方法是什么？
把它转换为纯 .txt 文件。你会得到按阅读顺序排列的全部文字，段落之间以空行分隔，没有任何其他内容，可直接用于任何编辑器或程序。
PDF文字提取会保留和舍弃哪些内容
转换器按阅读顺序逐页处理，从上到下、逐栏读取，并写出找到的字符。属于同一段落的各行会被合并，段落之间用空行分隔。每一页的文字接在上一页之后，因此一整章读起来是连续的一段。
所有视觉内容都会被舍弃：字体、字号、颜色、图片、图表以及文字在页面上的位置。这正是目的所在。一份满是照片的 10 MB 报告，通常会缩小为几百 KB 的文本文件，更便于搜索、用 diff 工具比较不同版本，或粘贴到翻译或分析工具中。
命令行用户可能知道 Poppler 和 Xpdf 项目中的 pdftotext，它对电子版 PDF 的处理方式类似。区别在于 OCR：没有文字层的页面会按你选择的语言识别，而不是输出空白。如果要处理的根本不是 PDF 而是图片，请使用图片转文字。
纯文本、Markdown还是Word：选对输出格式
纯文本
仅文字，UTF-8。
- 文件最小
- 任何软件都能打开
- 没有标题和格式
Markdown
带轻量标记的文本。
- 用 # 标记标题
- 保留列表和粗体
- 仍是文本文件
Word 文档
完整可编辑版式。
- 保留表格和图片
- 保留样式
- 需要文字处理软件
为什么文本文件这么小
1 字节UTF-8 文本文件中每个英文字母、数字或空格
便携式文档格式（PDF）
PDF 由 Adobe 于 1993 年创建，并在 2008 年成为开放的 ISO 32000 标准。它固定了文字、字体、图片和版式，使文档在每块屏幕和每台打印机上看起来都一样。PDF 可以包含表单、签名、链接、附件和可搜索文本，其中 PDF/A 变体用于长期归档。固定的版式使 PDF 难以编辑，而扫描版 PDF 除非经过 OCR，否则只包含图片。所有浏览器和操作系统都能打开。
- 压缩方式
- –
- 透明度
- 支持
- 动画
- 不支持
- 发布年份
- 1993 · Adobe
TXT
纯文本
TXT 文件只包含纯字符,没有格式、字体、图片或版面。现代文本文件通常采用 UTF-8 编码,可涵盖所有语言,而较旧的文件可能使用其他编码,从而显示乱码。纯文本体积极小,永不过时,从手机到服务器的所有设备都能打开。它无法保存粗体、表格或图片,结构只能靠间距或简单标记来表达。
- 压缩方式
- –
- 透明度
- –
- 动画
- –
- 发布年份
- –
当你只需要文字本身时，就会从 PDF 中提取纯文本，用于搜索、引用、翻译、数据清理或交给其他程序处理，而版式反而碍事。
PDF转文本常见问题
为什么不能直接从PDF复制粘贴文字？
一两段文字可以直接复制，但从 PDF 阅读器复制经常会在行尾断词、打乱分栏、在句子中间混入页眉，而且对扫描页完全无效。文本提取会按阅读顺序读取整个文件，遇到没有文字层的页面则运行 OCR。
文本文件是什么编码？
UTF-8，这是网页和大多数软件默认使用的编码。自 Windows 10 1903 版起，Windows 记事本默认以 UTF-8 保存新文件；macOS 文本编辑、VS Code 和所有浏览器也都能直接读取。如果旧程序显示乱码，请在导入选项中选择 UTF-8。
TXT和PDF转TXT工具是一回事吗？
输出完全相同，都是 .txt 文件。本页侧重于提取文字以便复用；PDF转TXT 是同一种转换，只是采用了人们同样会搜索的文件扩展名叫法。
表格会怎样处理？
表格单元格按阅读顺序写出，并用制表符分隔，因此可以较好地粘贴到电子表格中。如果你转换的主要目的是处理表格，PDF转Excel 会把行和列保留在真正的单元格里。
能得到标出标题的文本吗？
纯文本无法标记标题。如果希望用简单符号标记标题、列表和粗体，同时仍是文本文件，请在 转换为 中选择 Markdown。
从扫描件提取文字对手写内容有效吗？
OCR 针对印刷文字设计。工整的大写字母通常能识别，但连笔手写体并不可靠。300 dpi 的打印或印刷体扫描件效果最好。
