PDF文本提取工具
从PDF中提取文本
All long-form content on this page is available in English. A few example inputs stay in Chinese because they demonstrate Chinese-language text processing.
PDF文本提取工具是什么
PDF 文本提取是指把 PDF 里的文字层抽出来变成可复制的纯文本,上传后自动完成、不耗任何额度;扫描件没有文字层,提出来是空的,这也是判断 1 份 PDF 到底是文字版还是扫描版最快的办法。把 PDF 里的文字层抽出来,变成可以复制、可以另存为 txt 的纯文本,勾上「输出带页码」还能给每页内容加上页码标记。适合从电子书中摘段落、把报表数据粘进表格、或者判断一份 PDF 到底是文字版还是扫描版。
怎么用PDF文本提取工具
拖进 PDF 就自动抽出文字层,有文字的页默认已勾选,扫描页默认不勾;可勾「合并页面」把全部页连成一段,不勾则按页分隔,也可勾「输出带页码」给每页加标记。扫描件没有文字层,勾选需要识别的页后点「开始识别」即可调用 OCR。
- 把 PDF 拖进上传区,或点击选择文件,文字层会在本地自动提取
- 有文字的页默认已勾选,扫描页默认不勾;需要把所有页连成一段就勾上「合并页面」,不勾则按页分隔
- 勾上「输出带页码」,每页内容前会加「【第 N 页】」独立行头,空页不出现标记
- 扫描页先勾选需要识别的页,再点「开始识别」调用 OCR,仅对勾选且无文字的页识别,节省额度
- 在下方的输出卡片里查看文字,可一键复制,也能下载成 output.txt,或点「文本处理」跳到文本处理页继续加工
示例
输入
一份 12 页的文字版 PDF,不勾选合并页面输出
文本框内为 12 页的文字(页与页之间换行分隔),勾上「输出带页码」后每页前带「【第 N 页】」标记常见问题
PDF 会上传到服务器吗?
文字层提取不会。pdf.js 在浏览器里解析文件,文本直接显示和下载。仅当你对扫描页点「开始识别」时,勾选的页面会渲染成图片上传到服务端并转给 OCR 接口,密钥不会暴露给浏览器。
为什么提取出来是空的?
说明这份 PDF 没有文字层,几乎可以肯定是扫描件或图片型 PDF。勾选需要识别的页后点「开始识别」,用 OCR 把这些页识别成文字。
能保留原来的排版和图片吗?
不能。这个工具只输出纯文本,表格结构、字体、图片都不会保留。
中文 PDF 会乱码吗?
只要 PDF 内嵌了正确的文字编码就不会。少数用了自定义字体映射的老文件可能出现错字,这类只能走 OCR。
小提示
小提示是一种数据来源说明:下面 3 条讲的是能不能提出字、怎么定位页、以及文本层的固有特性。首先确认是不是扫描件,扫描页可以用站内 OCR 识别;其次用页码标记或关闭合并来定位内容;另外,多栏表格抽出来顺序乱是文本层的固有特性。
- 这个工具读的是 PDF 内嵌的文字层,扫描件(本质是图片)提不出任何内容——勾选需要识别的页后点「开始识别」,这些页会渲染成图片交给 OCR 接口识别成文字
- 「输出带页码」勾上后每页前加独立行头「【第 N 页】」,无文字的页不出现标记,与「合并页面」互不影响,合并时页码标记照常逐页保留
- 排版复杂的文档(多栏、表格、公式)抽出来会有顺序错乱,这是 PDF 文本层的固有特性,不是工具问题