PDF文本提取

PDF 里能被「选中复制」的文字来自文件内置的文本层：一组记录了每个字符编码与坐标的隐藏对象。本工具基于 pdf.js 在浏览器本地读取文本层， 按字符坐标重组行序、还原空格，把整份文档的文字一次性提取出来，支持复制与 TXT / Markdown 导出，文件全程不上传服务器。

怎么复制 PDF 里的文字？

在阅读器里直接选中复制适合几句话的场景，但整份文档逐段选中效率很低，部分 PDF 还禁用了右键与复制菜单，或复制出来行序错乱、每行断成一小截。 本工具一次性提取全部页面文字，按坐标重新拼行，可在页码范围内批量获取正文，一键复制全文或导出 TXT / Markdown； 对于设置了打开密码的 PDF，仍需先解密才能读取。

扫描版 PDF 为什么复制不了？

扫描件是把纸质页面拍照（或整页截图）后封装成 PDF，页面上只有一张图片的像素，没有任何文本对象，所以无论用什么阅读器都选不中、复制不出文字。 文字能复制的前提是文件里有文本层。本工具会自动检测：当平均每页提取到的字符少于 10 个时提示「疑似扫描件」， 此时应先用 OCR（光学字符识别）把页面图片转成文字，可以使用站内的图片 OCR 工具（image-ocr）处理。

提取的文字会乱码吗？

绝大多数 PDF 不会：文本层记录的是标准字符编码，提取即得原文。但个别 PDF 在制作时内嵌字体缺少 ToUnicode 映射表——字体文件只存了字形外观、没存每个字形对应的字符， 此时提取结果可能出现乱码、问号或缺字。这是源文件自身的问题，任何工具都难以完美还原； 遇到这种情况可尝试用 Word / WPS 等软件重新导出一份 PDF 再提取，或对照原文手动校对。

本地处理和在线工具的区别

常见的在线提取服务需要把 PDF 完整上传到对方服务器，解析完再把结果传回，合同、标书、论文等敏感文档存在被存储或泄露的风险。 本工具基于 pdf.js 在你的浏览器内完成解析，文件不出本地设备，断网也能用；代价是解析速度取决于你自己的电脑性能，超大文件会比服务器慢一些。

支持多少页的 PDF？

没有硬性页数限制，页数只影响耗时与内存占用：几百页的文字型 PDF 通常几秒到十几秒即可完成。 超过 50MB 的大文件解析较慢，建议用页码区间或自定义表达式分批提取，先取几页验证内容质量，再处理全文。

#常见问题 (FAQ)