PDF转文字： 提取任何PDF中的文字

两种PDF，两种不同的问题

PDF保存文字的方式有两种，您的文件属于哪一种，几乎决定了提取文字的难易程度。

从Word、Google文档或设计软件保存的PDF里面带有真实的文字。提取这些文字是瞬间完成的，因为它们本来就在那里。

扫描件或照片里只有文字的图片。必须先从图片中识别出文字才能提取，这一步叫作OCR（光学字符识别）。

扫描件需要稍长一点的时间，结果非常准确，但并不完美。我们宁愿直说，也不愿给出一个无法保证的数字。

从扫描版PDF中复制文字

如果PDF阅读器无法选中或复制任何文字，那它就是扫描件。上传到这里，这个在线OCR识别工具会把文字还给您，可以复制、搜索和编辑。

设置语言通常很有帮助。自动检测对大多数页面都很有效，但对于混合语言或非拉丁文字的文档，自己选择英语、乌尔都语、阿拉伯语、中文或39种语言中的其他语言，效果会明显更好。

• 以300 DPI或更高分辨率扫描。低于这个值，细节会丢失，OCR出错会更多。
• 上传前把歪斜的页面摆正。即使倾斜几度也会让结果变差。
• 平整的扫描件比倾斜拍摄的照片效果更好。
• 良好、均匀的光线比您想象的更重要：页面上的一道阴影就会让文字更难识别。

最后，您是否希望PDF本身可以搜索，而外观完全不变？那是另一种操作：PDF OCR会给PDF添加隐藏的文字层，而不是输出单独的文本文件。

文字乱序怎么办

学术论文、杂志和报纸都是分栏排版的。横着直接读页面的转换工具会把各栏混在一起，结果根本读不通。

这个PDF转文字工具能识别双栏页面，先从上到下读完一栏，再读下一栏。

• 保留换行让每行在页面原本结束的地方结束，仍然逐栏读取。
• 合并成段落把只因页面宽度而断开的行连起来，最适合粘贴到文档或邮件中。
• 保留版式让文字保持在页面上的原位置，用等宽字体时分栏和表格都能对齐。
• 一整段文字把所有内容放在一行，方便粘贴到表单或表格单元格中。

有些PDF使用的字体中的字形并不是真正的字符，所以复制出来是乱码。这样的页面会被识别出来并改用OCR读取。您也可以用用OCR重新识别每一页对整个文档强制这样处理。

TXT、Word、Markdown、网页还是JSON

• 纯文本（.txt）文件只有文字，别无其他。这就是标准的PDF转TXT，可以粘贴到别处或交给其他程序。
• Word（.docx）文件可在Word或Google文档中打开，表格保留为表格，并像原始PDF一样插入分页。
• Markdown（.md）文件用Markdown语法保留标题和表格，方便在笔记应用、知识库中使用或供开发者使用。
• 网页（.html）文件包含结构化标签，可在任何浏览器中查看。
• JSON文件包含每一页的表示，包括行、位置、OCR置信度、表格和链接。

除了文字还需要完全一样的页面设计？使用PDF转Word保留页面版式。需要把表格转成电子表格？试试我们的PDF转Excel。

表格、页眉和页码

表格会转换为行和列，而不是一段段文字。纯文本版本中表格以制表符分隔，在Word、Markdown和HTML版本中则显示为表格。

删除页眉和页码会去掉PDF每页顶部或底部重复出现的页眉和页码。文字作为一个完整文档连续排列，而不会每隔几段就被分页打断。

修复跨行断开的单词会把行尾用连字符断开的单词重新连起来，您看到的是“document”而不是“docu-ment”。标记每页的开始位置会在每页开头加上简短的页码标记，方便对照原始PDF阅读。

加密和机密PDF

对于受密码保护的PDF，请在文档密码框中输入密码。密码只用于打开文件，从不保存。

对于完全不能离开设备的PDF，请打开在此设备上提取。浏览器自己读取文字，不上传任何内容，也不消耗积分。

这种模式只读取文字层，所以适合在电脑上制作的合同、对账单和信函。扫描页面没有文字层可读，所以扫描件需要使用会运行OCR的普通转换器。处理长文档时设备端模式也可能更慢，因为它用的是您自己的电脑而不是我们的服务器。

下载前先查看结果

文字会在页面上的编辑器中打开。您可以跳到任意页面、修改字词、把行合并成段落、更改大小写、复制，或听它朗读。

OCR没有把握的词会被高亮，让您知道该检查什么。PDF中的链接会和结果一起列出。不满意？趁文件还在我们的服务器上，可以换一种版式、语言或格式免费重新识别，最多5次。

翻译提取的文字

提取时可以把结果机器翻译成英语、乌尔都语、阿拉伯语、西班牙语、法语或其他七种语言。想快速看懂外语文档时很方便。

这是机器翻译，重要内容请核对。每次最多翻译120,000个字符，所以长篇报告请选择页码范围分几次翻译。

安全。您的文件会在处理一小时后自动从我们的服务器删除。

超过这一小时不会保留任何内容，没有人会读取，也不会用于训练任何东西。每次上传和下载都通过HTTPS进行，文件往返都经过加密。

如果连这样都嫌多，请使用在此设备上提取。PDF留在您的浏览器中，完全不会到达我们的服务器。

最近的结果保存在您自己的浏览器中，绝不会保存在我们的服务器上，您可以随时清除。