PDF转TXT

提取PDF的文字层，保存为纯文本.txt文件，阅读顺序和分栏都保持原样。

把文件拖到这里

.pdf · 最大300 MB

选择文件

连续段落保留页面版式

更多设置

页面标记分页合并被连字符断开的单词编码

如何提取文字

1
添加PDF
拖入一个文件，或最多二十个。文档由你自己的浏览器打开，不经过网络传输。
2
选择流式段落或保留版式
流式段落会重建段落，方便阅读和编辑；保留版式让每个词留在页面上原来的位置，连空格也照原样保留。
3
下载.txt
点击按钮保存文件。一次处理多个PDF时，会打包成一个ZIP压缩包，里面是各自的文本文件。

阅读顺序取自页面，而不是文件

PDF把文字存成成千上万个带坐标的片段，绘制顺序取决于生成它的程序，并没有固定规律。按这个原始顺序读出来，一篇双栏文章就会变成左右交替的半句话。这个工具不理会文件里的顺序，而是重建页面：先按基线把片段归成行，再按页面上纵向的空白栏距把行归成栏，各栏从左到右依次读取。纵向间距超过正常行距的地方就是段落结尾；行末用连字符断开的单词会重新拼合。得到的文字可以直接粘贴到邮件、翻译工具或脚本里，不必先整理一遍。

版式、编码和页码范围

流式段落用于阅读：一个段落一块，没有参差不齐的换行。保留版式用空格填充，保持原来的排布，适合收据、清单、代码，以及分栏本身就有意义的内容。输出默认是UTF-8，另有带BOM的版本供较老的Windows工具使用，还有Windows-1251选项供旧的西里尔文系统使用；如果有太多字符超出这个代码页，会在写出文件之前提示你，而不是之后。页面分隔标记可以关闭；也可以只提取某个页码范围，比如1-3, 5，而不是整份文档。

文档不会离开你的设备

提取在浏览器标签页里运行：PDF在内存中解析，文字在那里拼好，.txt直接交给你的下载文件夹。没有任何上传，服务器上没有排队的任务，也没有需要谁事后删除的副本。关闭标签页，一切随之消失，正因如此，合同和病历也可以拿到这里处理。

常见问题

为什么扫描版PDF提取不出文字？

因为扫描件是文字的图片，而不是文字。里面没有可提取的文字层，所以你会看到明确的提示和一个文字识别（OCR）的链接：它从图片上识别出文字，让文档可以搜索。之后再提取就正常了。

流式段落和保留版式有什么区别？

流式段落把行重新连成段落，去掉原来的换行，最适合阅读和编辑。保留版式用空格让每个词留在页面上原来的位置，最适合表格、收据和等宽排版的清单。

分栏和表格怎么处理？

分栏按栏与栏之间的空白识别，所以会先读完左栏，再开始读右栏。表格的行仍然是行：由窄单元格组成的网格不会被误认为分栏，同一行的单元格会留在同一行里。

行末的连字符断词会修复吗？

会，在流式段落下修复。一个单词在行末断成infor-、下一行开头是mation，会重新拼成information。单词本身带的连字符，比如de-hyphenation，保持不变。

支持西里尔文、阿拉伯文和中文吗？

支持。文字以UTF-8写出，所以PDF里的每种文字都能完整保留，包括西里尔文、希腊文、阿拉伯文、希伯来文、日文、韩文和中文。Windows-1251只为确实需要它的旧西里尔文流程提供。

原来的格式会怎样？

格式会丢掉，因为.txt文件本身没有格式。粗体、颜色、字号、图片和表格都不会保留。如果想把标题、列表和链接作为结构保留下来，可以改为转换成Markdown；要得到完整可编辑的文档，就转换成Word。

文件会上传到服务器吗？

不会。整个过程用工具自带的PDF引擎在你的浏览器中运行。文件不会发送到任何地方，无需账号，处理大文档时即使中途断网也能继续。

最大能提取多大的PDF？

每个文件最大2 GB，一次最多二十个文件。页面逐页处理，也不渲染成图像，所以一份五百页的文档，内存占用也能稳稳控制在几百MB以内。