PDF 提取文字

功能

• 按页提取，可选页码范围
• 按坐标还原行：y 相近算同一行、行内按 x 排序
• 中日文不会被拆成一字一空格
• 可插入页码分隔，方便对照原文档
• 带进度显示（几十页的文档能看见到第几页）
• 逐页报告：每页多少字、哪几页取不到文字，并给出页码列表
• 区分扫描页、全空白页与只有页眉页脚的页，免得白跑一趟 OCR
• 结果为纯文本，可直接复制或下载 .txt
• 文件不上传、不经过任何服务器

使用方法

1. 把 PDF 拖进来
2. 需要的页填页码范围
3. 文字立刻出现在下面（较长时用「复制」或下载）
4. 再给一张「逐页报告」卡片：哪几页没文字、该拿哪几页去做 OCR
5. 扫描件要先用 OCR 工具处理

常见问题

扫描件为什么抽不出文字？

因为扫描件整页就是一张图片，里面没有可提取的文字数据 —— 文字是"画"在像素上的，不是"写"在文件里的。要拿到文字必须先做 OCR（光学字符识别），那是另一类工具。可以先用本站的「PDF 转图片」把页面导成 PNG，再交给任一 OCR 服务。判断方法很简单：在 PDF 阅读器里能不能选中文字？能——就能提取；不能——就是扫描件。

抽出来的段落是乱的 / 左右两栏混在一起了？

这是多栏排版的固有问题。判据是坐标：左右两栏的同一行 y 相同、x 分列两侧，按 y 分行就会把它们读成同一行。单栏文档（合同、论文、通知）不受影响。另外，页眉页脚与脚注也会被按位置混进正文里 —— 那同样是"没有语义、只有坐标"导致的，任何提取工具都躲不开，只是处理策略不同。

文字的先后顺序为什么和看到的对不上？

提取顺序是按坐标排的，而原文的书写顺序未必与视觉顺序一致 —— 例如用设计软件排版时，标题可能是在正文之后添加的（对象顺序在后，但视觉位置在上）。工具按 y 从上到下、x 从左到右重排，通常与视觉一致，但遇到跨越整页的大标题、侧边注释这类布局时仍可能错位。需要精确版式时请对照原文档核对。

文件会上传吗？

不会。文字提取用 pdf.js 在浏览器里完成（跑在 Web Worker 里），全程没有网络请求，断网也能用。合同、报告这类文档不该经过第三方服务器。