MyDevTools
ZH

PDF 转文本

在浏览器中将 PDF 的文本层提取为 UTF-8 编码的 .txt 文件，支持字体 Unicode 映射和批量处理。无需上传，不使用 OCR。

输入内容和文件始终留在浏览器中

上传 PDF

或从您的设备选择文件

本页内容

在浏览器中将 PDF 文件的文本层提取为纯 UTF-8 .txt 文件——用于搜索、比对或交给脚本处理。不会上传任何内容，也不涉及 OCR。

详细功能

提取器读取每一页的文本显示命令，并通过字体的 ToUnicode 映射表、嵌入的 TrueType cmap 或 WinAnsi 编码解码字符，因此只要 PDF 提供了映射，西里尔文等非拉丁文字都能正确输出。PDF 每换到下一行就开始新的一行，页面之间以空行分隔。

扫描版 PDF 只包含图片，由于没有 OCR，提取结果为空。多栏排版和表格会按文本在文件中的存储顺序展开，单词间的空格取决于 PDF 的生成方式。受密码保护的 PDF 会被拒绝，并给出明确提示。

可以一次添加多个 PDF：它们在 Web Worker 中依次处理并显示进度条，取消 会立即停止，每个完成的行都会出现 下载 TXT，用于保存 <name>.txt。

实用示例

两页文档：页面内容分别为“Second doc page A”和“Second doc page B”的 PDF，提取结果为 Second doc page A、一个空行和 Second doc page B。

大文件：一个 2,500 页、5.44 MB 的 PDF 生成 36 KB 的 big.txt，期间页面保持流畅。

扫描合同：由页面图片组成的 PDF 会得到空的 .txt——请先用其他工具进行 OCR。

受密码保护的文件：显示“locked.pdf：该 PDF 受密码保护，无法处理。”，同一批次中的其他文件照常提取。

如何使用此工具

  1. 添加 PDF 文件

    点击 选择文件，或将一个或多个 PDF 拖放到 上传 PDF。文件会显示在 待处理文件 下。

  2. 提取

    点击 提取文本。进度条显示当前文件；取消 可停止整批处理。

  3. 下载文本

    点击某一行的 下载 TXT，保存 <name>.txt（UTF-8）。

提示和最佳实践

  • 如果结果为空，PDF 很可能是扫描件：没有可提取的文本层。
  • 出现乱码说明 PDF 的字体没有可用的 Unicode 映射；从 PDF 阅读器中复制通常也会同样失败。
  • 表格和多栏内容按存储顺序输出，用脚本解析文本前请先检查行的顺序。
  • 再次点击 提取文本 时会跳过已提取的文件，因此可以继续向同一列表添加文件。