如何把 PDF 转成文本（提取原始文字，编辑分析两相宜）

有时候 PDF 恰恰是错误的容器。你不想要字体、页边距和双栏版式——你 要的是文字本身，作为原材料：贴进编辑器、灌进脚本、拿来统计、翻 译、全文检索、丢给分析工具。PDF 转纯文本把内容之外的一切剥掉，而这 正是意义所在。

人们这么做的典型原因：

• 编辑 —— 改合同套话或报告文字，不用跟 PDF 编辑器搏斗。
• 脚本和分析 —— grep、词频、数据管线，喂给只吃纯文本的工具。
• 翻译 —— 大多数翻译流程要的是干净文本，不是带样式的文档。
• 无障碍和可移植性 —— .txt 在任何东西上都能打开，哪怕是 30 年 前的机器。

开始前说明一点：pdfty 上的 提取文本 用的是同一个引擎——两者 都是把 PDF 里内嵌的文字抽出来。先找到哪个就用哪个，拿到的文字一 样；PDF 转 TXT 以可下载的 .txt 文件交还给你。

PDF 转文本分步教程

🔒 pdfty.com/en/tools/pdf-to-txt

扫描件问题：没有文字可提取的时候

这是 PDF 文字提取里最常见的意外。PDF 装文字有两种完全不同的方式：

1. 数字 PDF（从 Word、网页、发票系统导出的）带有真实的文字 层。提取又快又准。
2. 扫描 PDF（来自扫描仪或手机相机）只装着文字的图片。字面意 义上无物可提——输出会是空的。

扫描件的解法是 OCR——光学字符识别——它读取像素并构建文字层。先把 扫描件过一遍 OCR，再把结果转成文本。准确率取 决于扫描质量。

纯文本 vs Word vs HTML——你需要多少结构？

纯文本是光谱的一端。落点要选得清醒：

经验法则：内容是拿来读或处理的，选 TXT；需要有人看到格式的，选 Word 或 HTML。

免费的本地替代方案

一次性的活浏览器最快，但如果提取是你的日常工具链一环——或者文档不 能离开你的机器——这些本地路线很扎实：

pdftotext（poppler-utils——免费、全平台）。 命令行提取的黄金标 准：

pdftotext input.pdf output.txt

加 -layout 可以用空格近似还原原始的分栏位置——对表格类文本真有 用。macOS 经 Homebrew 安装，Linux 用包管理器。

从查看器里复制粘贴。 一两页的话，在 PDF 查看器里全选再贴进编辑 器就行。做好清理换行和偶尔错乱分栏的准备。

Microsoft Word。 Word 能打开 PDF 并转成可编辑文档，再另存为 .txt。更慢，而且过程中会重排文档——只想要原始文字的话属于杀鸡用牛 刀。

实用注意事项

• 版式没了——设计使然。 多栏页面出来是线性文本，表格坍缩成一行 行，文本框落在内容流里它该落的地方。分栏交错得厉害的话， pdftotext -layout 或 PDF 转 Word 对复杂版式处理得更好。
• 页眉、页脚和页码会重复。 每页的页眉都会在输出里出现一次。快 速查找删除一轮（或一行脚本）就能清干净。
• 断词连字。 两端对齐文本里跨行拆开的词（「docu-ment」）保持拆 开。对「- 」后跟小写字母做查找替换可修——不完美但快。
• 连字和符号。 花哨的排版（fi、fl、弯引号）按 PDF 实际编码的字符 输出——UTF-8 下通常没事，分析前偶尔值得做一轮归一化。
• 空或乱码的输出几乎总意味着扫描件（先 OCR），少数情况是字体编 码被故意混淆的 PDF。对后者，讽刺的是 OCR 同样是解法：把页面当像 素读。

常见问题

为什么我的输出文件是空的？

你的 PDF 几乎可以肯定是扫描件——页面的图片，没有文字层。先过一遍 OCR，再提取。5 秒测试：在 PDF 查看器里选不中 文字，就是没有文字。

输出会保留加粗、标题和字体吗？

不会——.txt 文件根本无法表示格式，你拿到的是纯字符。这正是特性：编 辑和写脚本时没有任何东西碍手。要格式，用 PDF 转 Word。

表格会怎样？

压平成普通的行，列对齐一般会丢。需要继续处理的表格， PDF 转 Excel 正是为此而生。

这和「提取文本」工具是一回事吗？

是——提取文本 跑的是同一个引擎。两者 都提取文档文字；先找到哪个用哪个。

能只提取几页的文字吗？

先用 拆分 把 PDF 裁到需要的页面，再转换。输 出更聚焦，也不容易撞上 50 页的免费上限。

带密码的 PDF 能用吗？

先用 解密 去掉密码（你得知道密码），然后正 常转换。

我的文档安全吗？

上传只走 HTTPS，没有账号，文件 1 小时后自动删除。不能上传的文档， pdftotext 完全离线运行。

免费限额是多少？

单文件 20 MB、50 页，每天 10 次操作——免注册、无水印。Pro （$9/月）解除上限。