PDF 文字提取

使用方法

1. 把一份 PDF 拖到卡片上、按 ⌘V / Ctrl+V 粘贴，或点「选择 PDF」。文字会逐页出现在结果框里，没有「提取」按钮。所选页全部完成、状态变绿后，复制与下载才可用。
2. 默认保留 PDF 中的每一行，段落之间用一个空行分隔。勾选「合并为段落」会把同一段内折行的文字接起来：行尾连字符去掉，中日文直接相连，其它文字用一个空格相连。切换选项会立即重排，不会重新读取 PDF。
3. 在「页码」里输入如「1-3, 5」，只保留这些页，并按你输入的顺序输出；重复的页只出现一次。分隔符可用逗号、顿号、分号或阿拉伯逗号，数字可用阿拉伯-印度数字、东阿拉伯数字和全角数字。留空即全部页。页码分隔行「--- 3 / 12 ---」标明原文档页码，可以关闭。
4. 如果 PDF 需要密码，在出现的密码行中输入并按回车。密码只用于在本页打开文件。

示例

默认选项
页码：（留空 = 全部）

--- 1 / 3 ---
季度报告

各区域收入均有增长……

--- 2 / 3 ---
后续安排
1. 复核预算
2. 预订场地

--- 3 / 3 ---

页面提示「第 3 页没有文字层」。页码分隔行与提取出的文字不会被翻译；下载文件名为 report.txt。

规则、限制与已知问题

• 不上传：PDF 通过 File API 读取，由本页的 Web Worker 解析。网络请求只有本站自己的文件——放入第一个文件时加载 PDF 引擎与 worker，部分中日韩 PDF 需要字符映射表（CMap），点示例时加载示例。不写任何存储，刷新即清空。
• 不做 OCR：扫描件、截图生成的 PDF、图片中的文字都无法提取，这些页会提示「没有文字层」。
• 阅读顺序取决于 PDF 内部结构：多栏排版、表格、页眉页脚和脚注可能交错，或与看到的顺序不同；本工具不做版面分析。
• 表格只输出单元格文字：不保留列对齐，同一行的单元格可能连在一起。
• 「合并为段落」是启发式的，依据行距、字号和行尾连字符判断。复合词里本来就有的连字符若恰好落在行尾，可能被误删；标题偶尔也会和下面的正文并成一段。
• 字体缺少 Unicode 映射时，文字会变成乱码或空白。这是 PDF 本身的问题，在阅读器里复制通常同样出错。
• 阿语连字：部分 PDF 生成器（例如使用某些 macOS 系统字体时）会把一个连字字形映射成多个字符，提取后连字内部的字母可能颠倒（لا 变成 ال）。本工具不做猜测式修补，以免把正确的文字改错。
• 竖排文字按 PDF 内部顺序输出，不保证竖排阅读顺序。
• 作者限制了复制时，本工具仍会提取并给出提示。请确认你有权使用这些文字。
• 密码：只支持打开密码（用户密码）。密码只用于在本页打开文档，不会保存，也不会移除 PDF 的加密。
• 上限：一次一份 PDF，最大 50 MB、2000 页；超过即拒绝，并给出实际体积或页数。超过 20 MB 或 300 页时显示「可能需要一些时间」提示。
• 字符数按字素计数，不含页码分隔行与换行；中文、阿语不提供词数。需要详细统计时，可把结果粘贴到「字符/词数统计」。

相关工具

提取出的文字可以继续交给这些同样在本页内运行的工具处理。