为什么有的 PDF 复制不了文字

PDF 里的文字分两种存在形式：文本层（真正的字符数据，可以选中、复制、搜索）和图像（扫描仪扫出来的一张张图片）。你复制不出来的 PDF，要么是纯扫描件（压根没有文本层），要么是生成时被处理过的特殊编码。判断方法很简单：用阅读器的搜索功能搜一个文中确定存在的词——搜得到说明有文本层，搜不到就是扫描件。

有文本层的 PDF，用🔧 PDF 文本提取 可以直接把文字完整拿出来：上传后选页码范围（支持"1,3,5-8"这类表达式），工具逐页读取文本层、按坐标把零散的文字块重组成行和段落，页内预览、全文复制、导出 txt 或带页标题的 md 都行。

合同和标书场景，“本地"两个字值钱

PDF 文本提取类在线工具一搜一大把，但几乎全部要求上传文件到对方服务器。合同、标书、财报、论文——需要提取文字的恰恰是最不适合外传的文件类型。这个工具的处理全程在浏览器里完成：文件读进内存，解析、重组、导出，关掉页面什么都不剩。它和站内其他 PDF 工具一样，可以在断网状态下工作。

另一个诚实提示：如果检测到整个文件几乎没有文本层（平均每页提取不到有效字符），工具会直接告诉你"这是扫描件”，并把你引向🔧 图片 OCR 的路线——先转图片再识别，而不是硬解压出一堆乱码假装成功。

顺便盘一盘：站内 PDF 工具全家福

这一件上线后，站内 PDF 相关工具正好凑满十件，按"拿到一份 PDF 之后"的时间线过一遍：

十件全部本地运行，覆盖日常 95% 的 PDF 需求——剩下 5% 大概是"把 PDF 变成能直接编辑的 Word"，那是格式重建问题，诚实说浏览器端做不好，我们也不打算硬做。

常见问题

提取出来的文字顺序乱了怎么办？

双栏排版（论文、杂志）是重灾区：工具按"先上下后左右"的坐标顺序读，双栏会被串行。办法是分两次提取：先只选左栏所在的页码区域没法按列选——目前最实用的做法是提取后手动调整段落，或者在段落合并模式下让拼接逻辑兜底。

提取出来是乱码怎么回事？

少数 PDF 内嵌字体做了非标准字符映射，文本层里的"字符"本身就是错的——这类文件在 Adobe 里复制也是乱码，不是工具的锅。识别特征：提取结果长度正常但全是怪字符，遇到就放弃文本层，走 OCR 路线。

大文件会不会卡？

纯文本层读取比渲染成图片轻得多，几百页的文档通常几秒到十几秒。超过 50MB 工具会提示可能较慢，耐心等进度即可。

本章配套工具箱

边读边用：以下工具均在浏览器本地运行，数据不上传。