如何将 PDF 转换为文本（提取所有文本）
需要 PDF 中的文本 - 无格式，无图像，只有文字？以下是如何从任何 PDF 中提取纯文本的方法。
有时您不需要字体、布局、颜色或图像。您只需要文字。将 PDF 转换为纯文本会剥离所有视觉元素，为您提供原始文本 - 段落、标题和数据，以其最简单的形式呈现。
这是最常见的 PDF 操作之一，也是最容易被误解的操作之一。人们期望从任何 PDF 中获得完美的文本，但实际结果取决于 PDF 的创建方式。具有真实文本内容的数字 PDF 会产生极好的结果。没有嵌入文本的扫描文档则什么也产生不了 - 因为没有要提取的文本。
本指南涵盖了文本提取何时有效、何时无效以及最佳工具。
为什么从 PDF 中提取文本？
数据分析
您有一个 PDF 报告，其中包含您需要在电子表格或脚本中分析的数字。提取文本可为您提供可解析、过滤和处理的原始数据。研究人员、分析师和数据科学家经常将 PDF 文档和报告中的文本提取作为其工作流程的第一步。
自然语言处理 (NLP)
如果您正在构建或训练 NLP 模型、处理客户反馈或运行情感分析，则需要纯文本输入。PDF 是文档的常见源格式，但 NLP 管道需要 .txt 文件。文本提取可以弥合这一差距。
内容迁移
将内容从一个系统迁移到另一个系统 - CMS、知识库、数据库 - 通常始于从现有 PDF 中提取文本。您不需要布局；您需要以目标系统可以导入的格式获取文字。
搜索和索引
构建可搜索的 PDF 文档存档需要提取文本内容。搜索引擎和全文搜索系统会对纯文本进行索引。从 PDF 中提取文本可以使它们可搜索，而无需单独打开每个文件。
可访问性
将 PDF 转换为纯文本可以使内容更具可访问性。屏幕阅读器可以可靠地处理纯文本。盲文显示器直接呈现纯文本。对于可访问性工作流程，将文档简化为文本内容可以消除视觉障碍。
快速复制粘贴
有时您只想从 PDF 中抓取几段文字并将其粘贴到电子邮件、文档或聊天消息中。文本提取可以为您提供干净的文本，而不会像直接从 PDF 查看器复制时那样出现格式伪影。
方法 1：使用 PDFSub 在线转换（推荐）
上传 PDF，下载包含所有提取文本的 .txt 文件。
步骤：
- 前往 PDFSub 的 PDF 转文本工具
- 上传您的 PDF 文件 - 拖放或点击浏览
- 文件将在安全隔离的环境中由 PDFSub Engine 处理
- 下载提取的文本文件
预期结果：
- 提取每页的所有文本内容
- 分页符由换行符或页面标记指示
- 文本遵循 PDF 的阅读顺序
- 表格提取为制表符或空格分隔的值
- 图像将被跳过（无 alt 文本或描述）
- 页眉和页脚包含在输出中
最适合： 需要从 PDF 中获取所有文本而无需安装软件时的快速提取。
方法 2：从 PDF 查看器复制
对于少量文本，这是最简单的方法。
步骤：
- 在任何 PDF 查看器（浏览器、Preview、Adobe Reader）中打开 PDF
- 选择您想要的文本（单击并拖动，或按 Ctrl/Cmd+A 选择所有文本）
- 复制（Ctrl/Cmd+C）
- 粘贴到您的文本编辑器中
局限性：
- 多列布局会产生混乱的文本（列交错）
- 表格复制为非结构化文本
- 页眉和页脚与正文文本混合
- 特殊字符可能无法正确复制
- 不适用于扫描/图像 PDF
最适合： 从简单的单列 PDF 中抓取一两段文字。
方法 3：使用命令行工具
适用于需要以编程方式或批量提取文本的开发人员和技术用户。
选项：
- 在 macOS 或 Linux 上，各种命令行 PDF 工具可以提取文本
- 使用 PDF 解析库的 Python 脚本
- 用于批量处理的 Shell 脚本
最适合： 将文本提取集成到自动化工作流程中的开发人员。
数字 PDF 与扫描 PDF
这是文本提取的关键区别。
数字（基于文本）PDF
这些是由数字源创建的 PDF - 从 Word 导出，由软件生成，从网页保存。这些 PDF 中的文本存储为实际字符数据。您可以选择它、搜索它、提取它。
如何判断： 打开 PDF 并尝试单击并拖动以选择文本。如果文本高亮显示并且您可以复制它，则它是数字 PDF。文本提取将完美工作。
扫描（基于图像）PDF
这些是通过扫描纸质文档创建的 PDF。每一页都是纸张的照片 - 一张图像，而不是文本。没有要提取的字符，因为 PDF 只包含像素数据。
如何判断： 尝试选择文本。如果没有高亮显示，或者单击选择了整个页面作为图像，则它是扫描的 PDF。标准的文本提取将生成一个空文件。
扫描的 PDF 怎么办？
要从扫描的 PDF 中获取文本，您需要 OCR（光学字符识别）。OCR 分析图像，识别字母形状，并将它们转换为文本字符。这是一个独立于文本提取的过程 - 并且它引入了出错的可能性，因为软件是在解释图像而不是读取存储的文本。
PDFSub 的文本提取处理数字 PDF。对于需要 OCR 的扫描文档，请查找专门为 OCR 处理设计的工具。
文本提取质量
提取文本的质量取决于几个因素。
阅读顺序
PDF 不按阅读顺序存储文本。文本元素位于特定坐标 - 查看器在视觉上将它们组合起来。提取器必须根据空间位置重建阅读顺序。简单的单列文档很容易重建。多列布局、侧边栏和文本框可能会产生令人困惑的输出。
表格
PDF 中的表格是独立定位的文本元素的集合 - 而不是语义表格结构。提取器尝试识别表格模式并用制表符或空格分隔列。简单的表格效果很好。具有合并单元格、旋转文本或嵌套结构的复杂表格可能会产生混乱的输出。
特殊字符
数学符号、变音符号、连字和非拉丁脚本是否能正确提取取决于 PDF 的编码方式。具有适当 Unicode 映射的结构良好的 PDF 会产生干净的输出。具有自定义字体编码的 PDF 可能会产生乱码字符。
连字符
PDF 通常在换行处用连字符连接单词。一些提取器会重新连接带连字符的单词；另一些则保留连字符和换行符。如果您以编程方式处理文本，您可能需要在管道中处理连字符的重新连接。
获得最佳结果的技巧
- 先用小 PDF 测试。 在处理 500 页的文档之前，从几页中提取文本并验证质量。
- 检查扫描内容。 如果您的 PDF 是数字文本和扫描页面的混合体，提取将从数字页面生成文本，从扫描页面生成空白输出。
- 对输出进行后处理。 对于数据分析或 NLP 工作，请清理提取的文本 - 删除页眉/页脚，修复连字符，处理编码问题。
- 使用正确的工具。 如果您需要表格中的结构化数据，请考虑使用表格提取工具而不是纯文本提取。如果您需要扫描文档中的文本，请使用 OCR。
常见问题解答
PDF 转文本和 OCR 有什么区别？
PDF 转文本提取 PDF 中已存储为字符数据的文本。它读取已有的内容。OCR 查看文本图像并将其解释为字符。如果您的 PDF 具有可选择的文本，则需要文本提取。如果您的 PDF 是扫描图像，则需要 OCR。
我可以从受密码保护的 PDF 中提取文本吗？
如果 PDF 具有限制复制（但允许查看）的权限密码，则某些工具仍然可以提取文本。如果 PDF 具有完全阻止查看的打开密码，则需要先输入密码。
文本提取会保留格式吗？
不会 - 这就是它的目的。纯文本提取为您提供不带格式的文字。如果您需要保留格式，请改用 DOCX 或 RTF 进行转换。文本提取专门用于您想要原始、无格式内容的情况。
如何处理多列 PDF？
多列 PDF 是文本提取中最棘手的情况。提取器可能会交错列或正确处理它们 - 这取决于工具和 PDF 的内部结构。如果您得到混乱的输出，请尝试不同的提取工具或转换为更适合处理列的格式（如 DOCX）。
我可以只提取特定页面的文本吗？
某些工具允许您为提取指定页面范围。如果工具不支持页面选择，请提取所有文本，然后将输出裁剪到您需要的页面。输出中的页面标记有助于识别每个页面开始的位置。
总结
PDF 转文本提取快速、简单，并且适用于各种工作流程 - 数据分析、NLP、内容迁移、搜索索引以及普通的复制粘贴。关键是使用包含真实文本内容的数字 PDF 开始。
对于扫描文档，您需要 OCR。对于数字 PDF，文本提取可在几秒钟内为您提供干净的输出。
尝试 PDFSub 的 PDF 转文本工具 - 上传您的 PDF 并立即下载提取的文本。