PDF转TXT：从任意 PDF 中提取纯文本

为什么要把 PDF 转成纯文本？

PDF 的设计目标是在任何设备上看起来都一样，而不是方便再次利用。试着从阅读器里复制一篇长报告，得到的往往是断行、被连字符切成两半的单词、夹在句子中间的页码，以及两栏文字混在一起的乱码。纯 .txt 文件恰恰相反：没有字体，没有版式，只有字符，任何编辑器、脚本、搜索索引或聊天机器人都能直接读取。

人们在这些时候会用到 PDF 转文本工具：想引用一段文字、把合同交给翻译软件处理、把论文粘贴到笔记应用、统计一份稿件的字数、在一堆发票里批量检索关键词，或者把文档内容干净地交给大语言模型，而不带任何多余的噪音。文本文件体积小、即开即用，而且能配合那些永远不会支持 PDF 的软件使用。

这款 PDF 转文本工具如何读取文件

转换器并不是简单地按 PDF 内部存储的顺序把字符倒出来，因为那个顺序常常是乱的。它会分析每一段文字在页面上的实际位置，并根据真实坐标重新组合成行。接着它会寻找栏与栏之间的空白竖条。当一页排成两栏或三栏（例如期刊论文或新闻简报）时，先把左栏读到底，再读右栏，而横跨整页的标题仍留在原来的位置。（"Keep layout"（保留版式）样式是例外：它按页面的原貌还原，所以各栏仍然并排。）

有些 PDF 通过把同一个词稍微错位地打印两次来表现粗体。这类重复会被自动去除，因此您不会看到"标题标题"这样的结果。文字横着排的页面，例如旋转后放在竖版页面上的横向表格，会被转正，让主要阅读方向变成水平。

一次读取，三种文本样式

• "Plain text"（纯文本，推荐）：多行文字会合并成真正的段落，在任何编辑器里都能自动换行重排。被拆到两行的单词，比如"exam-"和"ple"，会重新拼回"example"。只要没有开启分页符，跨到下一页继续的句子也会被接回来。
• "Line by line"（逐行）：保留 PDF 中的每一个换行。适合诗歌、代码清单、地址等每一行都有意义的内容。
• "Keep layout"（保留版式）：用空格填充文字，使表格列和表单字段在等宽字体下仍然对齐。

这三种样式来自对文件的同一次读取，因此在预览中切换是即时的，PDF 不会被重新处理。不过切换样式会覆盖您在预览框中输入的修改，所以请先选好样式。在前两种样式中，看起来像表格的行会用制表符分隔各个单元格，这样粘贴到电子表格里非常方便。

扫描版 PDF 与 OCR

扫描件只是页面的图片，里面并没有可提取的文字。当您打开单个 PDF 时，选项窗口会统计哪些页面含有可选中的文字，并在发现疑似扫描页时提醒您。OCR 设置有三个选项。Auto（自动）只识别那些几乎没有文字但含有图片的页面。Off（关闭）严格只使用现有的文字层。Every page（每一页）忽略文字层，把所有页面都当作图片来识别——当因为字体编码损坏而复制出乱码时，这就是解决办法。

OCR 通过 Tesseract 在您的设备上运行。可从三十多种语言中选择文档的语言，包括罗马尼亚语、德语、法语、西班牙语、俄语、希腊语、阿拉伯语、希伯来语、印地语、中文、日语和韩语；英语始终作为备用语言一并启用。语言数据只需下载一次（几兆字节），只有第一次使用时才需要联网。任务完成后，摘要会显示有多少页是通过 OCR 读取的，以及平均识别置信度，方便您快速判断一份模糊的扫描件是否需要人工核对。

值得了解的选项

• "Pages"（页码）：转换单个文件时，可以输入类似 1-3, 8, 10- 的范围，只提取这些页面。"10-"表示从第 10 页到末尾。
• "Page separators"（分页符）：在每一页前插入一行"--- Page 3 ---"，日后需要标注页码引用时很有用。
• 去除重复的页眉、页脚和页码：在大多数页面顶部或底部反复出现的行（报告标题、"Page 4 of 20"、保密声明）会被去掉。该功能至少需要三页才能进行比较。
• "Hyphen joining"（连字符合并）：纯文本样式下默认开启；如果您的文档在行尾有真正带连字符的单词、必须保持拆分，请将其关闭。
• 换行符与 BOM：可选择 LF 或 CRLF，如果某个老旧的 Windows 程序把带音标的字母显示成奇怪的符号，还可以加上 UTF-8 字节顺序标记。

您的选择会保存在当前浏览器中，下次访问时自动沿用。

一次转换多个 PDF

一次最多可添加 20 个文件。每个 PDF 都会生成一个以原文件名命名的 .txt 文件，例如 minutes.pdf 会变成 minutes.txt；两个同名文件会自动加上编号。在结果窗口中，文件选择器可以让您逐个查看每份文本，而 "Download all (ZIP)"（全部下载为 ZIP）则把所有 .txt 打包成一个压缩包。页码范围输入框只在转换单个 PDF 时提供；批量转换时，每个文件的每一页都会被读取。

检查并编辑结果

文本会显示在一个大文本框中，并实时统计页数、字数和字符数。您可以就地修正识别错误的名字、删除免责声明或整理标题，然后把全部内容复制到剪贴板或下载下来。特别长的文档会以只读预览显示前两百万个字符，但复制和下载始终包含完整文本。

常见问题与快速解决

• "No text found"（未找到文字）：这些页面很可能是扫描件而 OCR 处于关闭状态，或者文字是以矢量图形绘制的。提示信息里有一个按钮，可以开启 OCR 重新处理该文件。
• 受密码保护的 PDF：在提示时输入密码，或者跳过该文件，继续处理其他文件。
• 文件损坏：无法读取的页面会被跳过，并在文本下方的说明中计数，而不会让整个文档中断。
• 手机内存不足：请缩小页码范围再转换。OCR 以大约 250 DPI 渲染页面，但会限制图片尺寸，以便手机浏览器更好地应对。
• 手写内容：OCR 是为印刷体设计的，手写笔记很少能识别出可用的结果。

您的 PDF 永远不会离开页面

文字读取、分栏检测和 OCR 全部在您浏览器标签页内的 JavaScript 和 WebAssembly 中完成。PDF 不会被发送到任何地方，因此也不存在等待从服务器上删除的副本。关闭标签页后，文件和提取出的文本都会随之消失。本工具完全免费，无需账户或邮箱，也不会在您的文本中添加任何内容。