为什么要提取 PDF 中的文字
从 PDF 阅读器中复制文字常常出问题:句子被从中间断行,分栏内容相互混杂,手动选取 50 页也很费劲。本工具会一次性读取整份文档的文字,并为您生成干净的纯文本。您可以用它把文档粘贴到邮件或翻译工具中、引用报告内容、把文字交给其他程序处理、统计字数,或者为文档保留一份可搜索的文本副本。
三种文本模式
- 按行:按页面上的显示逐行输出文字。适合列表、地址和较短的文档。
- 按段落:将属于同一段的行合并为段落,并尽可能把行末被连字符拆开的单词重新接上。最适合需要粘贴到文字处理软件或翻译工具的文章、书籍和报告。
- 保留版式:通过添加空格保留文字在页面上的位置,使表格和分栏在等宽字体下大致保持对齐。适用于发票、对账单和表单。
切换模式时预览会即时更新,并显示字符数和单词数。
文件选项
- 页面分隔符:可选择类似 ----- Page 3 ----- 的标记行、空行,或某些程序用作分页符的换页符。
- 换行符:Windows (CRLF)适用于记事本和大多数 Windows 程序,Unix (LF)适用于 macOS、Linux 和代码编辑器。
- BOM:在文件开头添加一个标记,帮助旧版 Windows 程序识别中文、俄语等语言的 UTF-8 文本。
- 每页一个文件:每一页保存为单独的 TXT 文件,并统一打包在一个 ZIP 中。
扫描版 PDF
扫描版 PDF 只包含页面图片,因此没有可提取的文字。本工具会检测无文字的页面并提示您。只需点击一下,即可将文档发送到 OCR PDF,识别文字后可直接以 TXT 文件返回。文字提取本身在浏览器中运行,不会上传您的文件;OCR 则在我们的服务器上运行。
纯文本无法保留的内容
纯文本不包含字体、粗体、图片或表格。如果需要保留格式,可使用 PDF 转 Word 转换为可编辑文档,或使用 PDF 转 Excel 将表格导入电子表格。有些 PDF 使用了特殊的字体编码,提取出的文字会出现乱码;这种情况下,使用 OCR 通常效果更好。