PDF 怎么提取文字并转成 TXT

核心要点

• 先测试能否逐字选中正文，再决定用文字提取还是 OCR。
• TXT 保留文字与分页标记，不保留图片、字体和复杂版式。
• 分栏顺序错乱、特殊字体乱码，通常来自 PDF 内部结构。
• 提取完成后抽查开头、中间和结尾，不能只看文件是否成功生成。

为什么有的 PDF 能提取文字，有的不能

能否提取，取决于 PDF 里有没有文字层，而不是页面看起来有没有字。电子文档导出的 PDF 通常保存了字符、字体和坐标；扫描件则可能只保存一张页面图片，人眼看得到文字，程序却只能看到像素。

一个实用判断法是按 Ctrl+F 或 Command+F 搜索页面上一句完整短语。能搜到，说明文字层大概率可用；搜不到不一定就是扫描件，也可能是字体映射损坏，所以还要复制一小段到纯文本编辑器里检查。

怎么把 PDF 文字提取为 TXT

选择文件、提取、下载三步即可；工具会逐页读取文字，并在页面之间加入稳定的中文分隔标记。

1. 打开PDF 转文本，选择一个带文字层的 PDF。
2. 点击「提取为 TXT」，等待浏览器读完全部页面；不要在处理中关闭标签页。
3. 下载 原文件名.txt，使用支持 UTF-8 的记事本、代码编辑器或笔记软件打开。
4. 搜索原文中的两三个关键词，并抽查开头、中间、结尾三处，确认没有缺页或乱码。

PDF 文字层 → 按页读取 → 清理多余空格 → UTF-8 TXT

输出会在每页前加入类似 ===== 第 3 页 ===== 的标记。它不会还原原来的页眉位置，却能让你追溯一段文字来自哪一页，整理会议材料、论文引文或长报告时，比把所有页面直接连成一段更容易核对。

提取结果为什么会少换行或顺序错乱

PDF 记录的是“哪些字符画在什么坐标”，不一定记录段落、栏位和阅读顺序，视觉版式越复杂，纯文本越需要整理。

• 双栏论文左栏和右栏的文字对象可能交错存储，导出后会出现一句左栏、下一句右栏。
• 表格单元格只是摆在不同坐标上的文字，没有真正的行列结构；TXT 也保存不了边框。
• 页眉页脚每页都存在的标题和页码会被重复提取，需要批量删除或查找替换。
• 公式与特殊符号可能由多个字形拼成，复制时会丢失上下标关系或变成不对应的字符。
• 文本框视觉上相邻的两段，内部顺序可能相隔很远，尤其常见于宣传册和幻灯片导出的 PDF。

PDF 转文本、OCR 和转图片怎么选

目标是“得到字符”就选提取或 OCR，目标是“保留页面样子”才选转图片，三种方法不能互相替代。

项目回归测试专门覆盖了中文预定义字符映射：中文样本能提取“测试文档”等正文；两页英文样本则必须同时出现第 1 页、第 2 页分隔及对应内容。这能验证常见文件的读取链路，但特殊嵌入字体仍可能缺少正确映射，文章不会把“能打开”误写成“肯定能正确提取”。

怎么检查提取结果能不能继续使用

把 TXT 当作待校对的内容稿，而不是原 PDF 的等价副本；用途越正式，抽查范围就应越大。

• 做搜索或建索引：检查关键词是否能命中，并确认页码标记没有断档。
• 引用论文或合同：回到原 PDF 对照原句、数字、单位和页码，不直接复制后发布。
• 整理表格：逐行重建列关系，特别检查负号、小数点和跨页表头。
• 交给翻译或摘要工具：先删除重复页眉页脚，再保留章节标题和分页线索。
• 处理敏感资料：优先使用本地处理，并检查导出的 TXT 保存位置与同步盘设置。