toolgarden.xyz
EN
本地 PDF 文本提取提取 PDF 文字PDF 隐私PDF OCR

PDF 文字怎么提取?在浏览器本地提取,扫描件和乱码也能处理

先判断 PDF 有没有文字层,再选择直接提取还是 OCR;附分栏、连字符、乱码的排查方法,全程在浏览器本地完成。

ToolGarden 推荐的工具优先在浏览器本地运行,文件和文本不必上传到服务器,适合更注重安全隐私的日常处理。

发布于 2026年7月20日更新于 2026年10月14日12 分钟作者 ToolGarden

同事发来一份 80 页的 PDF,你只想把其中几页的文字贴进文档,结果复制出来要么是一堆方块,要么每行都被拆成半句。问题通常不在“复制”这个动作,而在这份 PDF 里到底有没有文字、文字是以什么方式存进去的。本文先讲清楚这件事,再给出一套在浏览器本地完成提取的做法。

先搞清楚:PDF 里的“文字”到底是什么

PDF 是一种“页面描述格式”,它记录的是每一个字形应该画在页面的哪个坐标,而不是“这里有一段话”。在页面内容流里,一行文字大致长这样:

BT
/F1 11 Tf
72 700 Td
[(Inv)-20(oice)] TJ
0 -14 Td
(Total: 1,280.00) Tj
ET

这里 Tf 指定字体和字号,Td 移动到坐标 (72, 700),TJ 和 Tj 负责绘制字符串,数组里的 -20 是字距微调。没有“段落”“标题”“表格”这些概念,所有结构都要靠软件根据坐标和字号去猜。这也解释了后面几乎所有的提取问题:分栏被打乱是因为内容流的顺序不等于阅读顺序,一个词被拆开是因为字距调整把它切成了几个片段。

从“能不能直接提取”的角度,PDF 可以分成三类。第一类是文本型 PDF,由 Word、LaTeX、浏览器打印等生成,每个字形背后都带有字符编码,可以直接读出文字。第二类是纯扫描件,整页只是一张图片,没有任何文字信息,只能靠 OCR 识别。第三类是“可搜索的扫描件”,图片上面叠了一层不可见的 OCR 文字,能搜索,但文字质量取决于当初那次识别,错字会原样被提取出来。

30 秒判断:你的 PDF 属于哪一类

  1. 在阅读器里用鼠标拖选一行正文。能整行高亮,说明有文字层;只能框出一整块矩形,说明是图片。
  2. 按 Ctrl/Cmd+F 搜索一个你确定存在的词。搜不到但肉眼能看到,通常是纯扫描件,或者字体编码有问题。
  3. 复制一小段粘贴到记事本。出现正常文字是好兆头;出现方块、问号或类似 (cid:12) 的字样,说明字体缺少 Unicode 映射表,文字层存在但不可靠。
  4. 看看文件体积与页数的比例。一份 30 页的纯文字报告通常只有几百 KB 到几 MB,而同样页数的扫描件往往是它的好几倍,这只是辅助参考,不能当结论。
类型典型来源能否直接提取推荐做法
文本型Word / LaTeX / 网页导出可以,且最准确直接提取,重点检查阅读顺序
纯扫描件扫描仪、手机拍照不能,页面是一张图本地 OCR,之后必须校对
可搜索扫描件扫描后做过 OCR 的文件能提取,但带着旧识别错误提取后抽查;错误多时重新 OCR
乱码型字体缺少映射表的旧文件能提取但内容是错的转成图片后 OCR,绕开坏编码

用 ToolGarden 在本地提取:具体步骤

ToolGarden 目前没有单独的“导出 TXT”按钮,提取文字的入口是「PDF 转 Word」:它会读取 PDF,生成一份 DOCX,你再从 Word 里复制或另存为纯文本。好处是版式信息(段落、字号、图片)会一并保留,方便二次编辑。具体流程如下。

  1. 如果 PDF 很大而你只要其中几页,先用「PDF 提取页面」输入类似 3,5-8 的页码,保存成小文件。页数少,后面的转换和 OCR 都快得多,也减少无关内容。
  2. 打开「PDF 转 Word」,选择文件。当前代码对单个 PDF 设有 80 MB 的上限,超限时页面会直接提示。
  3. 如果文件里有扫描页,在“扫描页语言”里选对语言(英文、简体中文、繁体中文、日文)。选错语言是 OCR 出现大量错字的第一原因。
  4. 点击转换。工具会逐页分析:有可靠文字层的页面走原生提取;没有可靠文字层的页面才加载本地 OCR 模型;两者都不适用的页面使用视觉回退(以页面图像保留内容)。
  5. 转换完成后查看“智能路由”摘要,例如多少页走原生文字、多少页走 OCR、多少页是视觉回退。这行摘要是你判断结果可信度的最重要依据。
  6. 下载 DOCX,在 Word 中全选复制,或另存为纯文本,再进入下一步校对。

工具是怎么决定“这一页有没有文字层”的

按当前实现,一页里去掉空白后的字符数达到 24 个,就视为有可靠文字层;不足时再看文字片段数量(至少 3 段),或者字符数虽少但覆盖了一定面积。这么设计是为了避免一种常见陷阱:扫描件上只残留一个页码之类的极少量隐藏文字,如果只看“有没有文字”,整页都会被误判为文本型,结果提取出来只有一个数字。理解这个规则也能帮你解释一些现象,比如一页只有几个字的封面,有时会被路由到 OCR。

一个完整的例子:一页双栏论文

假设有一页两栏排版的英文论文,左栏结尾是 “…the results are summarised in Table 2.”,右栏开头是 “3. Methods”。直接用阅读器框选复制,常见的结果是左右两栏的行被交替拼在一起:

the results are summarised in 3. Methods
Table 2. The corpus was divided into
We evaluate three baselines ...

这是因为内容流里两栏的文字块本来就是按坐标交错输出的。原生提取按位置把同一水平线上的片段归为一行,单栏页面没问题,但双栏页面会遇到“同一水平线上有两段不相干的文字”。对这种页面,实用的办法有三个:把页面裁成左右两半再分别处理;在 Word 里按栏重新整理;或者把该页导出成图片后用 OCR,因为 OCR 会按版面块识别,往往更接近人眼阅读顺序。

再看一个断行的例子。印刷体论文常用连字符断词,提取后会得到:

inter-
national standards require that
the docu-
ment be archived.

这里的“-”是排版时插入的软连字符,不是词的一部分。可以在 Word 或编辑器里用查找替换,把“连字符+换行”删掉,把单独的换行替换成空格;注意不要误伤 “state-of-the-art” 这类真正带连字符的复合词,替换前先看一眼匹配数量。另一个常见现象是连字,例如 fi、fl 被提取成单个连字字符,搜索 “file” 时找不到,批量替换成两个字母即可。

扫描件:本地 OCR 的做法与校对要点

对扫描页,工具会先把页面渲染成图像再识别。当前实现里渲染倍率是 2 倍,并限制单页像素不超过约 1200 万,避免内存被占满。这对 A4 纸的常规扫描足够,但它决定了一个事实:识别质量上限取决于原扫描的清晰度,工具无法把一份 100 dpi 的模糊扫描变清楚。

影响因素对识别的影响你能做的事
语言选错大量乱字,中英混排时尤其明显按页面主要语言选择;混排页以主语言为准
扫描分辨率低小字号、细笔画被吞掉重新扫描,文字类建议 300 dpi 左右
页面倾斜或有阴影行被切断、整行漏识别重拍或先旋转、裁剪再处理
表格与公式结构丢失,数字错位把表格单独裁出,人工重排或手动录入
手写体识别率明显下降不要期待完全准确,逐字核对

校对 OCR 结果有一个省力的办法:把数字、人名、金额这类“错一个字就出事”的内容单独拎出来对照原图,其余正文只抽查。数字里最典型的混淆是 0 和 O、1 和 l、5 和 S,金额和日期务必逐项核对。

隐私:为什么本地提取更适合敏感文档

合同、病历、财务报表这类文件,把它们上传到陌生服务器本身就是风险,即使对方承诺不保存。ToolGarden 的 PDF 转 Word 页面说明文件不会被上传,处理发生在你的浏览器里。你不必只听这句话:打开浏览器开发者工具的 Network 面板,再转换一个文件,观察是否有携带文件内容的请求发出。需要说明的是,首次使用 OCR 时浏览器可能会加载识别模型等静态资源,这是模型文件而不是你的文档,看请求体大小和类型就能区分。

常见问题的诊断清单

现象最可能的原因处理办法
复制出来是方块或 (cid:数字)字体缺少 Unicode 映射表导出成图片后 OCR
每个字之间有空格字距调整被当成空格,或字符间距很大在编辑器里批量去除多余空格,再核对英文单词边界
一个字都提取不出整页是图片选对语言,用 OCR 路径
文字顺序错乱分栏、文本框、浮动图注分栏裁剪后分别处理,或人工重排
出现重复内容页眉页脚、水印文字被一起提取提取后用查找替换清除;也可先在 PDF 中去除水印
转换到一半失败文件加密、损坏或超过大小上限先解除打开密码;损坏的文件尝试用阅读器另存一份

什么时候不该用这套方法

  • 需要法律证据级别的逐字准确:OCR 和版式推断都会出错,应以原文件为准,转写结果只作检索和起草用。
  • 要提取大量结构化表格数据:PDF 不保存表格结构,转换后的表格需要人工整理;表格量很大时考虑向数据提供方要原始的 CSV 或 Excel。
  • 需要保留原样排版并反复印刷:这时应该保留 PDF,不要转成 Word 再导回 PDF。
  • 文件有版权或保密限制,禁止转换:先确认授权,再动手。
  • 成百上千个文件的批量处理:浏览器内存有限,这类任务更适合命令行工具,例如 poppler 的 pdftotext,并用 layout 参数保留版面。

最后给一个习惯建议:每次提取完,用「字数统计」对比一下原页大致的字数和提取结果,数量差距很大时,多半是漏页、漏栏或 OCR 失败,比逐字校对更快发现问题。

常见问题

Q.PDF 提取文字会把文件上传到服务器吗?

在 ToolGarden 中不会。PDF 转 Word 在浏览器内完成,页面也明确说明文件不会上传。你可以在开发者工具的 Network 面板里自行验证:转换过程中不应出现携带你文件内容的请求。首次使用 OCR 时可能会加载识别模型资源,那是模型本身而非你的文档。

Q.为什么我复制出来的是乱码或方块?

最常见原因是字体没有携带 Unicode 映射表(ToUnicode),阅读器知道怎么画字形,却不知道它对应哪个字符。这时文字层虽然存在却不可靠。把页面导出为图片,再用 OCR 识别,可以绕开坏编码。

Q.扫描件提取的准确率能到多少?

没有固定数字,取决于扫描分辨率、倾斜、语言选择和字体。清晰的 300 dpi 印刷体通常效果不错,手写体和模糊页面则差很多。任何 OCR 结果都应校对,尤其是数字、金额、人名。

Q.能直接导出 TXT 吗?

目前的入口是 PDF 转 Word:生成 DOCX 之后,在 Word 里复制全部内容或另存为纯文本即可。这样做的好处是段落、字号和图片信息也一并保留。

Q.双栏论文提取后顺序错了怎么办?

PDF 内容流的顺序不等于阅读顺序。可以把页面分栏裁剪后分别处理,或把该页转成图片用 OCR(按版面块识别),再人工调整。无法完全避免,复杂版面需要一次人工整理。

Q.受密码保护的 PDF 能提取吗?

带打开密码的文件无法直接读取。先用「PDF 加密 / 解密」在本地输入已知密码解除保护,再进行提取。如果文件带有使用权限限制,请先确认你有权转换和编辑。