将PDF转换为文本
把PDF里的文字完整提取出来，行和段落原样保留——可直接复制到剪贴板，也可下载为.txt文件。不存储任何文件。
- 绝不存储
- 无需排队，无需等待
- 无需注册，无水印
使用方法
添加PDF
将PDF拖放到页面上，立即开始逐页提取。
查看并调整
文字会显示在可编辑的文本框中。可开启或关闭分页标记，保存前还能随意修改。
复制或下载
点击“全部复制”复制到剪贴板，或下载为.txt文件。
文字从哪里来，又以什么顺序出现
PDF中的字符并不是以文本形式存储的，而是以字形编号的形式指向嵌入的字体；要把它们还原成字母，得依靠文件内的一张映射表，说明每个字形代表哪个字符。大多数生成软件都会写入这张表。一旦缺失——一些设计软件生成的精简字体子集往往就是罪魁祸首——页面在屏幕上看起来完美无缺，提取出来却是一堆乱码，因为读懂它所需的信息从一开始就没有写进去。任何提取工具都无能为力；这不是技术难题，而是数据本身缺失。
在信任输出结果之前，先检查阅读顺序。文字按页面绘制的顺序输出，也就是生成PDF的软件碰巧写入的顺序——而这常常不是人阅读的顺序。一个双栏页面，提取出来可能是左右两栏正确分开，也可能是两栏的行相互交错，完全取决于它是怎么生成的。页眉、页脚、页码和侧边栏则落在它们被绘制的位置，通常夹在正文中间。
有几个小瑕疵值得认识一下，免得百思不解。连字会以字体实际使用的单个字符出现，所以“find”可能是一个字形，而不是f加i，直接搜索“find”就会漏掉它。在行尾断开的带连字符单词会保留连字符，因为这个断行在文件里是真实存在的。直引号也常常变成弯引号，如果文字要用于代码或CSV，这一点就很重要。
扫描页面提取不出任何内容，工具会如实告诉您，而不是交给您一个空文件——文档的照片里没有字符，只有像素。转为轮廓的文字也是如此，设计师特意这样做，是为了让文件在任何地方都能打印得一模一样；到了这一步，它实际上已经是图形了。这两种情况都需要用OCR识别，而不是提取。
如果您需要的是别的
如果分栏很重要，Poppler的pdftotext -layout in.pdf out.txt比浏览器里的任何工具都好：它用真实的空白字符还原视觉间距，分栏依然是分栏，表格也依然是可读的表格。pdftotext -raw则反其道而行，原封不动地给出绘制顺序，有时这正是脚本需要的。
如果要从成百上千个文件中提取文字，mutool draw -F txt和Python的pdfplumber是可靠的基础——尤其是pdfplumber，它会给出每个字符的坐标、字体和字号，您可以按位置而不是靠猜测过滤掉页眉页脚。这正是本页面做不到的，也是批量处理时最关键的一点。
常见问题
会保留段落和换行吗？
会。PDF本身根本不存储段落，只记录每个字符所在的坐标。因此，工具会把处于同一基线上的文字归为一行，并在行间垂直距离变大的地方另起一段，重建出文本结构。最终结果读起来和原文一样，而不是连成一大片。
我的PDF会被存储吗？
不会。文字由您自己的浏览器读取，不会发送到任何地方。页面加载完成后，即使断开网络也照样能用。
提示我的PDF没有文字，这是为什么？
因为它是扫描件或照片：页面本身就是一张图片，而图片里没有可提取的文字。请使用“PDF文字识别（OCR）”，它能直接从图像中识别出文字。
下载前可以编辑文字吗？
可以——文本框完全可编辑，您看到的内容就是最终保存的内容。
表格和分栏怎么处理？
分栏按PDF绘制的顺序读取，通常是正确的，但在复杂的多栏版式中可能会交错混排。表格会输出为一行行文字，而不是网格——如需提取表格，请使用“PDF转Excel”。
小贴士： 纯文本本身不带任何格式：加粗、字号、颜色、图片和表格结构都会被舍弃，这是由纯文本的定义决定的。以矢量轮廓而非真实字符绘制的文字（常见于Logo和一些设计类PDF），不经OCR任何工具都无法提取。
把这个工具放到您的网站上
博客、课程页面或帮助文章均可免费使用。粘贴一段代码，访客就能直接在您的页面上使用。