如何把 PDF 转成 TXT
有时候，排版恰恰是你不想要的东西。把文档喂给脚本、翻译工具、检索索引或语言模型时，输入是干净的文字，会比一份塞满分栏、页眉页脚的页面排版好用得多。
把 PDF 转成 TXT，就是把词句之外的一切都剥掉。本指南讲这次提取怎么做、不同类型的文档得到的结果长什么样，以及唯一什么都提不出来的情形——扫描件。
想现在就试？打开 PDF 转 TXT，几秒钟就能拿到文件。
打开工具什么时候需要把 PDF 转成 TXT
- 把文档内容送进脚本、检索索引或分析流程。
- 为翻译工具或语言模型准备文字，它们在没有排版噪音时表现最好。
- 从长文档里成段地抄内容，又不想跟 PDF 阅读器的选中功能较劲。
把 PDF 转成 TXT 的步骤
先确认这份 PDF 里有真正的文字
在 PDF 阅读器里试着选中一句话。如果选中时是一个个词被高亮，说明有可提取的文字层。如果什么都选不中，那这份文件是扫描件，需要的是 OCR。
打开“PDF 转 TXT”工具
进入 PDF 转 TXT 页面。提取在浏览器里进行，不用安装，也不用账号。
上传文档
把 PDF 拖到上传区，或者从对话框里选。设了密码的文件要先解开。
提取
启动处理，稍等片刻。文字层会从文档里被读出来，写进一个纯文本文件。
下载并收拾一下
下载 TXT，用任意编辑器打开。重复出现的页眉、页码，以及行末的连字符断词，是常见的残留，做两遍查找替换就能清掉。
常见问题及解决办法
输出文件是空的
这份 PDF 里装的是文字的图片，不是文字——扫描件，或者拍照拍下来的文档。只有 OCR 才能从像素里造出字符；格式转换根本无从提取。
分栏的文字串在了一起
多栏排版里的阅读顺序取决于文档当初是怎么做的，栏与栏可能变成一行一行交替出现。在文本编辑器里把栏拆开，通常比任何自动修复都快。
单词被连字符断开了
行末断词会被原样保留。对“连字符加换行”做一次查找替换，就能一次性把词拼回去。
该提成 TXT 还是转成 Word
只要词句本身，就选 TXT。对脚本、建索引、翻译和分析来说，这是能得到的最干净的输入，也绝不会把多余的排版带进下游。
如果打算重写并重新发布这份文档，就选“PDF 转 Word”。那次转换会尽力保住标题、样式、表格和图片，给你的是可以编辑的东西，而不是拿来处理的数据。问问自己：下一位读者是机器还是人——照着答案选就行。
常见问题
为什么提取出来的文件是空的？
这份 PDF 是没有文字层的扫描图像。先用 OCR 软件造一个文字层，再来提取。
会保留一点排版吗？
不会，而这正是重点。你拿到的是字符和换行，没有字体、样式、分栏或图片。
输出用的是什么编码？
UTF-8，因此任何文字体系和带音标的字符都能正确保留。
图片和表格会被提取出来吗？
图片不会。表格里的内容会以文字形式出来，但行列结构不会保留。
能从受保护的 PDF 里提取文字吗？
请先用“解除 PDF 密码”工具去掉保护，再运行提取。
文档大小有限制吗？
每个文件最大 100 MB，没有每日限制，不用注册，也不加水印。
想现在就试？打开 PDF 转 TXT，几秒钟就能拿到文件。
打开工具