如何从 PDF 提取文本

从 PDF 提取文本是最常见的 PDF 任务之一 — 您有一份报告、合同或研究论文是 PDF 格式，需要将其中的文本取到文字处理软件、电子表格、搜索索引，或仅仅是一个可以复制粘贴的地方。本指南介绍三种免费方法，并如实说明各自的隐私权衡。第一种方法 — IXPDF 的 PDF to Text 工具 — 完全在浏览器中运行，从不上传您的文件。第二种使用浏览器内置的 PDF 查看器快速复制粘贴。第三种使用 Google Docs，可行但会将文件上传到 Google 的服务器。对每种方法，我们说明何时使用以及何时该另寻他法。

为什么要从 PDF 提取文本

PDF 为查看和打印而设计，并非为编辑而设计。PDF 内的文本存储在为布局优化而非复用优化的内容流中。但您可能想取出文本的理由很多：

• 复制粘贴到另一文档。 您需要在邮件、报告或引用中引用一段文字，而源是 PDF。
• 搜索索引。 您想为 PDF 库构建本地搜索索引，需要文本内容。
• 无障碍访问。 屏幕阅读器等辅助技术处理纯文本比处理某些 PDF 更好。
• 数据分析。 您需要提取表格、数字或关键短语，在电子表格或脚本中分析。
• 翻译。 您想对 PDF 文档的文本运行翻译工具。

无论原因如何，目标相同：将文本从 PDF 取出，放入可处理的格式。以下方法都能做到 — 区别在于它们如何处理您的文件以及结果的准确性。

方法 1：IXPDF PDF to Text 工具（推荐，本地）

IXPDF 的 PDF to Text 工具使用 PDF.js 在 Web Worker 中读取每页的文本内容流。文件留在浏览器中 — 永不上传到任何服务器。提取的文本显示在页面内预览中，并提供 .txt 下载，还有用于粘贴到其他应用的复制到剪贴板按钮。

1. 打开 PDF to Text 工具/tools/pdf-to-text/。
2. 选择 PDF。将文件拖到拖放区或点击浏览。文件名和大小显示在下方。
3. 可选：限制页面。 页面范围 字段接受如1,3,5-7 的值。留空则从每页提取文本。
4. 可选：保留布局。 勾选 保留布局 根据页面布局插入换行。这会生成更接近视觉阅读顺序的文本。用于不在乎布局的全文搜索和复制粘贴时取消勾选。
5. 运行提取。 点击 运行 PDF to Text。工具在您设备的 Web Worker 中读取每页的文本内容流。
6. 预览、复制或下载。 提取的文本显示在预览区，带每页明细。复制到剪贴板或下载为 .txt 文件。

方法 2：在浏览器 PDF 查看器中复制粘贴

现代浏览器（Chrome、Edge、Firefox、Safari）有内置 PDF 查看器可直接打开 PDF。如果 PDF 有真实文本层（非扫描），可用鼠标选择文本并用 Ctrl+C / Cmd+C 复制。这是小段摘录最快的方法 — 无需工具、无需上传、无需安装。

1. 在浏览器中打开 PDF。 双击文件或拖到浏览器标签。浏览器内置 PDF 查看器打开它。
2. 选择文本。 点击并拖过想要的文本。如果无任何高亮，PDF 很可能是扫描的 — 见下方故障排除。
3. 复制。 按 Ctrl+C / Cmd+C 或右键选择 复制。
4. 粘贴。 切换到目标文档按 Ctrl+V / Cmd+V。

此方法适合几句话或一段文字。对整篇文档就繁琐了 — 必须逐页选择，且选择可能无法干净地跨页延续。整篇文档提取请用方法 1。

方法 3：Google Docs 导入（可行，但上传到 Google）

Google Docs 可打开 PDF 并转为可编辑文档。对复杂布局的 PDF 效果很好，结果是可编辑、共享或导出为 .docx 的 Google Doc。权衡是隐私：将 PDF 上传到 Google 意味着 Google 持有副本。如果文档敏感，请改用方法 1。

1. 前往 Google Drive。 在drive.google.com 登录。
2. 上传 PDF。 将文件拖入 Drive 或点击 新建 → 文件上传。文件现在在 Google 的服务器上。
3. 用 Google Docs 打开。 右键 PDF 选择 打开方式 → Google Docs。Google 将 PDF 转为可编辑文档。
4. 复制或导出文本。 用 Ctrl+A 全选，Ctrl+C 复制，粘贴到任何需要的地方。或用 文件 → 下载 → 纯文本 (.txt) 导出整篇文档。

故障排除：扫描 PDF 与 OCR

如果以上方法都不产生文本 — IXPDF 工具返回空结果，浏览器查看器不让您选择任何内容，Google Docs 导入无文本的图像 — PDF 很可能是扫描的。扫描 PDF 是纸的照片：每页是一张大图，内容流中没有文本。任何复制粘贴或文本提取都无法从图像中取出文本。解决办法是 OCR（光学字符识别），它分析图像并向 PDF 写入新的文本层。

IXPDF 目前无法在浏览器中执行 OCR。存在基于浏览器的 OCR 引擎（Tesseract.js、OCRad.js），但它们对真实扫描的准确度不足以交付 — 它们误读常见字体，在多栏布局上挣扎，产生的文本对搜索和无障碍而言比没有文本更糟。我们不会交付一个悄悄返回错误文本的工具。关于在您机器上运行、不上传文件的可靠本地 OCR 工具（Adobe Acrobat、Tesseract、macOS Preview 实况文本、ABBYY FineReader），请见 如何使 PDF 可搜索。

关于文本选择失败的原因及如何诊断（扫描、仅图像、扁平化或字体编码损坏）的深入探讨，请见 为什么无法在 PDF 中选择文本？。

该用哪种方法？

• 整篇文档，隐私重要： 使用IXPDF PDF to Text。本地、免费、无上传。
• 几句话，快速： 用浏览器 PDF 查看器复制粘贴。无需工具。
• 复杂布局，可上传： 用 Google Docs 导入。对棘手布局转换质量最佳，但文件会到 Google。
• 扫描 PDF： 以上都不行。需要 OCR — 见 如何使 PDF 可搜索。

FAQ

IXPDF PDF to Text 工具真的免费吗？

是的。免费、无账号、无注册、无水印、无使用限制。完全在浏览器中运行 — 没有服务器向您收费。

能在加密 PDF 上工作吗？

不能。如果 PDF 受密码保护，工具显示"已加密"错误。请先解密文件（见 如何解锁 PDF），然后提取文本。

为什么提取的文本是乱码？

某些 PDF 的字体编码损坏（ToUnicode 映射缺失或错误）。文本在屏幕上正确渲染（查看器有字体轮廓）但无法映射回 Unicode 字符以供提取。这是文件属性，不是工具的 bug。修复方法是从源应用以正确的 Unicode 映射重新导出，或对文件运行 OCR 添加新的文本层。

工具会保留原 PDF 的布局吗？

勾选 保留布局 时，工具根据页面上文本项的 y 位置插入换行，生成更接近视觉布局的文本。这是尽力而为 — 复杂的多栏布局、表格和侧边栏可能不匹配视觉阅读顺序。用于全文搜索和复制粘贴时取消勾选，工具会用空格连接文本项，对搜索更可靠。

能只从特定页面提取文本吗？

可以。在 页面范围 字段输入如 1,3,5-7。仅按列出顺序提取这些页面。留空则从每页提取。

PDF to Text 和 OCR 的区别是什么？

PDF to Text 读取 PDF 内容流中已有的文本。它只对有真实文本层的 PDF（由文字处理软件创建、从应用导出等）有效。OCR（光学字符识别）分析图像的像素并识别字形以创建新的文本层。OCR 用于扫描 PDF、照片以及文本被烧入图像的任何 PDF。IXPDF 做前者；对于后者，见 如何使 PDF 可搜索。