PDF 转文字（文字提取 + 扫描件 OCR）
【PDF 转文字】提取 PDF 中的文字，转换成你能复制、编辑和下载的文本。工具会逐页自动判断：有文字层的页面直接提取，秒出而且百分之百准确；扫描出来的页面则自动改用 OCR 识别。整个过程都在你的浏览器中完成，文件不会上传到任何服务器。
PDF 转文字 · 文字层 + OCR
页面状态
TXT
0 字符PDF 在你的浏览器中处理，不会上传到服务器。处理合约、月结单、医疗报告这类文件也能放心使用。
使用方法
- 放入 PDF — 点击拖放区选择文件，或直接把 PDF 拖进来。
- 选择页数（可留空）— 可以填
1-10、3，或1,5,8-12。留空就处理整份。 - 点击「开始转换」 — 工具会逐页判断，完成后右侧显示文字，可复制或下载成 .txt。
转换过程中，左侧的页面状态方格会实时变色：绿色代表该页有文字层、可直接提取；橙色代表该页是扫描件、正在执行 OCR。你一眼就能看出这份 PDF 到底是什么。
最重要的一件事：你的 PDF 可能根本不需要 OCR
很多人以为 PDF 转文字一定要 OCR，其实不是。PDF 分成两种：
| 文字层 PDF | 扫描件 PDF | |
|---|---|---|
| 来源 | Word／Excel 导出、网上下载的报告、电子账单、电子书 | 复印机扫描、手机拍照转 PDF、传真 |
| 内容本质 | 真正的文字数据 | 一张张图片 |
| 提取速度 | 即时，一秒数十页 | 每页 5–15 秒 |
| 准确度 | 100% | 视图片质量，通常 85–98% |
| 需要下载语言包 | 不需要 | 需要（约 10–15 MB） |
怎么分辨？ 最简单的方法：用普通 PDF 阅读器打开，试着用鼠标选取文字。选得到就是文字层 PDF，选不到（整页一起反白）就是扫描件。
这个工具不需要你自己判断 —— 它会逐页先尝试提取文字层，取不到才改用 OCR。所以混合型的 PDF（例如前段是打字内容、后面附上扫描的收据）也能完整处理。
页数怎么填
| 你想要 | 就填 |
|---|---|
| 全部页面 | 留空 |
| 第 1 到 10 页 | 1-10 |
| 只要第 3 页 | 3 |
| 第 1、5 页与 8 到 12 页 | 1,5,8-12 |
扫描件一次最多处理 20 页。 这不是小气，而是 OCR 在浏览器中执行，每页需要 5–15 秒——200 页的话你的电脑要跑上半小时，标签页很可能还没跑完就被系统回收了。分批处理（1-20、21-40）反而稳定得多。文字层 PDF 则没有这个限制，多少页都可以。
如果提取出来是乱码
有时候 PDF 明明「有文字层」，提取出来却是一堆符号、问号，或者一整篇完全不通的生僻字。这不是工具坏了，而是这份 PDF 本身有问题。
PDF 中的嵌入字体，需要一张称为 ToUnicode 的对照表，才能把字体内部的字形编号翻译回真正的文字。中文 PDF 特别容易缺少这张表或填错 —— 常见于旧版排版软件、某些中文 Word 导出、传真转档，以及由第三方软件事后「补上」文字层的扫描件。这种情况下文字层确实存在，但里面的内容是错的。
这个工具会自动检查提取出的文字是否可信：若发现私有区字符、大量替换符号，或整页中文都是生僻字，就会把该页当成扫描件，自动改用 OCR，并在完成后告诉你有几页做过这个回退。
如果自动判断仍然不够准确，请把上方的「模式」切换成「全部使用 OCR」 —— 工具会完全忽略文字层，逐页转成图片再识别。速度慢很多（每页 5–15 秒），但遇到有问题的文件时最稳定。
扫描件想更准确
- 选对语言 — 只选文件真正用到的语言。马来西亚常见的中英巫混排文件建议分两次处理：中文部分选「简体中文 + 英文」，马来文部分选「马来文」，比一次全选准确得多。
- 原始文件越清晰越好 — 300 DPI 扫描出来的 PDF，准确度会明显高于用手机拍照再转 PDF。
- 文件如果是歪的 — OCR 对倾斜非常敏感。可以先用 PDF 编辑器把页面转正再试。
- 表格与多栏排版会乱序 — 这是 OCR 的先天限制，提取后通常需要自己整理一次。
加密的 PDF 怎么办
如果 PDF 设有打开密码，工具会显示一个密码栏，输入后即可继续。密码和文件一样，全程留在你的设备上，不会发送到任何地方。
如果是「禁止复制」那种权限密码（owner password），由于文件本身可以打开，工具通常仍能提取文字。
你的 PDF 不会离开这台设备
这个工具使用开源的 pdf.js 读取 PDF、Tesseract.js 执行 OCR，两者都在你的浏览器中运行，文件与提取出的文字都不会上传到任何服务器。
大部分免费在线 PDF 工具都必须把文件上传到他们的服务器才能处理 —— 如果你要处理的是雇佣合约、银行月结单、医疗报告、律师信这类文件，这个差别非常重要。
常见问题
PDF 转文字需要付费吗？有页数限制吗？
完全免费，不需要注册。有文字层的 PDF 没有页数限制；扫描件因为要在浏览器执行 OCR，一次最多 20 页，可以分批处理。
我的 PDF 会被上传吗？
不会。工具使用 pdf.js 与 Tesseract.js，全部在你的浏览器中运行，文件与结果都不会发送到任何服务器。
为什么有些 PDF 一秒就好，有些要等很久？
因为 PDF 分成两种。文字层 PDF 本身就含有文字数据，直接读出即可；扫描件内部只有图片，必须逐页执行 OCR，每页大约 5–15 秒。
支持马来文的扫描件吗？
支持。在「扫描件语言」中选择「马来文 Bahasa Melayu」即可。中英巫混排的文件建议分两次处理，准确度会明显更高。
有密码的 PDF 可以吗？
可以。工具会显示密码栏，输入打开密码即可继续。密码全程留在你的设备上。
提取出来的文字是乱码怎么办？
把「模式」切换成「全部使用 OCR」即可。乱码通常是因为 PDF 的嵌入字体缺少 ToUnicode 对照表，导致文字层本身就是错的——中文 PDF 特别常见。工具会自动检测这种情况并回退到 OCR，但若自动判断不够准确，手动强制全 OCR 一定有效。
排版与表格会保留吗？
不会。输出是纯文本（.txt），不会保留字体、图片与表格框线。多栏排版与表格的阅读顺序可能会错乱，提取后通常需要自行整理。
其他你可能用得上的工具
- 图片转文字 — 只有一张图或一个截图就用这个，快很多
- 删除重复行／移除去除重复资料 — 清除转换后重复的页眉页脚
- 提取资料列 — 从分隔文本中取出你要的列
- 自动加前缀后缀 — 为提取出的文字批量加上格式
- 更多文字工具