PDF 转文字

从 PDF 里复制，往往得到断成两半的词、在栏边被折断的行，以及每四十行就出现一次的公司名。这里把文字取出来并清理干净——每一项修整都是你自己打开的开关，而文件不会离开这个标签页。

或拖放到这里

带文字层的 PDF，而不是扫描件。最大 60 MB

合并被连字符断开的词去掉页眉页脚和页码把断行合并成段落标出每页的开始

文件留在这台设备上：在标签页里打开，不上传任何内容。也不下载任何东西——PDF 阅读器本来就是这个页面的一部分。

不会带过来的：图片、作为表格的表格、粗体和斜体。表格会变成一行行文字，双栏排版会先读左栏——文件里的文字就是这样存放的。

使用方法

PDF 里存的不是行，而是带坐标的文本片段。一行常常以十几个片段到达，因为句子中间换了字体；粗糙的提取器会把它们一段一行地吐出来。所以这里先按纵向位置把片段归回成行，然后再清理。同样的归行逻辑也用在比较两个 PDF 的工具里：如果那边算法不同，同一个文件就会显示出不同的差异。

被连字符断开的词会接回——但只在下一行以小写字母开头时，免得把复合名称粘成一个词。行会合并成段落——但标题、编号条款和列表项各自保留一行：把合同条款熔成一段，比留下多余的换行更糟。页眉和页码按跨页重复来去除；而一个孤立的数字只有在不超过总页数时才算页码，于是表格里的「2026」得以保留。

如果 PDF 是扫描件，里面根本没有文字——页面是图片。返回一个空白框会像是工具坏了，而不是用错了工具；所以页面会说明发生了什么，并指向文字识别，它同样能读 PDF 的页面。这个判断刻意做得粗糙：整份文档不足四十个字母，说明那是图片里的说明文字，而不是文字层。

我的文档会被上传吗？

不会。它在这个浏览器标签页里打开并读取。也不会下载任何东西——PDF 阅读器本来就是这个页面的一部分。

为什么我的文件取出来是空的？

多半是扫描件：每页都是图片，没有文字层。请改用「图片转文字」，它能识别字母，也接受 PDF 的页面。

为什么栏目顺序乱了？

因为双栏排版是按绘制顺序保存的，通常左栏整栏先出现。这里的顺序跟随文件，而不是猜测版式——猜错会比栏目本身更把文字打乱。

表格会怎样？

表格会变成一行行文字：单元格保留顺序，但失去网格。如果需要网格，请用「PDF 转 Excel」，它会根据坐标推断出列。

能处理多大的文档？

最大 60 MB，最多前 500 页。再多，等待就不值得了，页面会直接说明，而不是卡住。