使用方法
- 选择或拖入一个 PDF 文件。
- 决定是否在每个页面开头添加诸如“--- 第3页 ---”的标题。
- 点击“提取文本”，等待所有页面读取完成。
- 复制文本，或将其下载为 UTF-8 .txt 文件。
工作原理
由文字处理软件、网站或大多数其他软件创建的 PDF 文件包含文本层：字符及其位置。该工具使用 pdf.js 逐页读取该文本层，并将其转换为纯文本行。字体、字号、颜色、图像和表格不会被保留；表格单元格会输出为以空格或换行分隔的文本。
读取顺序遵循 PDF 中存储的顺序，通常是视觉顺序。多栏布局、脚注和文本框可能会以意外顺序出现，行尾带连字符的单词仍会保持拆分。
以 PDF 格式保存的扫描文档和照片只包含文本图像，没有文本层，因此无法提取任何内容。该工具会检测到这种情况，并建议您使用 OCR（光学字符识别）从图像中读取文本。某些 PDF 中的文本使用的字体没有正确的字符映射表；此类文本可能会显示为无法阅读的符号。
需要密码才能打开的 PDF 无法读取。仅限制复制的 PDF 可以读取，因此请尊重文档所有者的权利。
示例
引用报告
提取一份 40 页 PDF 报告的文本，在文本框中搜索并复制所需段落，而无需在 PDF 查看器中艰难选择。
扫描信件
扫描成 PDF 的信件不会产生任何文本。该工具会提示这一点，并提供 OCR 工具的链接，后者可以从页面图像中识别出文字。
常见问题
为什么在我的 PDF 中找不到文本？
该 PDF 很可能包含扫描图像而非文本。请对页面进行 OCR 以识别文字。
为什么文字或行的顺序会错乱？
该工具按照文件中文本的存储顺序进行提取。有些程序存储列、页眉或文本框的顺序可能与它们的显示顺序不同。
为什么文本包含奇怪符号？
有些 PDF 使用的字体缺少每个字形对应哪个字符的信息。可见字母无法映射回文本；对于此类文件，OCR 是唯一选择。
粗体或表格等格式会保留吗？
不会。输出为带换行的纯文本。表格单元格和列会变成各行的文本。
隐私
PDF 通过 pdf.js 在浏览器中打开和读取。文件和提取的文本不会上传、存储或用于分析；仅统计一个表示该工具被使用的匿名事件。