把 PDF 里已有的文字层抽出来,保留成可复制的纯文本。扫描页会被单独标出来。文件不上传,提取完直接复制或下载。
拖入 PDF,或点这里选择
单个文件,最大 50 MB。文件只在浏览器里处理。
大多数 PDF 本身就有文字层:文字是嵌在文件里的字符,不是图片。这种文件不需要识别,只要把已有的字符按原来的行读出来就行——快、没有误差,也不消耗任何模型。这一页做的就是这件事。
真正的扫描件是另一回事:整页就是一张图,文件里一个字符都没有。这里不会假装能读它,而是把页码列出来,告诉你哪几页需要 OCR。准确的“做不到”,比模糊的“好像提取到了”有用。
PDF 里没有“行”这个概念,只有一条条按坐标摆放的文字片段。所以直接拼接会得到一段没有换行的长字符串。这里用两个信号还原:一是文件自己标记的换行(很多生成器会写),二是片段的坐标——基线掉了半个字高就是换行,两个片段之间空了三分之一字宽就是空格。
表格会变成一串按顺序排的文字,列与列之间不再对齐;这是纯文本的固有限制,不是提取失败。标题、页码、页眉页脚会按它们出现的位置混在正文里。图片里的文字当然也不会出现。
要保留排版、表格、图表的,应该转成 Word 或直接看原文件,纯文本一定会丢结构。扫描件请等 OCR。只想删掉几页或者合并文件,用 PDF 工具箱更合适——那些操作不需要把文字读出来。
单文件上限 50 MB,一次一个文件。读取全部在浏览器里完成:页面没有接收 PDF 的接口,文字也不会发到任何地方,关掉标签页就什么都不剩。有打开密码的文件在读取阶段就会被拒绝。