如何从 PDF 中提取文字（普通版和扫描版）

两种 PDF，两种提取方式

在提取文字之前，需要先判断你的 PDF 是哪种类型：

• 数字 PDF：从 Word、WPS、网页等导出的 PDF，文字是“真实文字”， 可以选中、复制。这类 PDF 提取文字很简单，速度快，准确率 100%。
• 扫描 PDF：用复印机扫描的纸质文件、拍照转 PDF 的文档， 实际上只是图片的集合，没有可识别的文字层。需要用 OCR（光学字符识别）技术才能提取。

判断方法：试试能不能用鼠标在 PDF 里选中文字。能选中 = 数字 PDF；选不中 = 扫描 PDF。

数字 PDF 提取文字

方法一：浏览器工具

FileKit PDF 文字提取工具在浏览器内直接提取，输出纯文本，可以按页查看， 显示字数统计，方便复制到其他地方使用。

方法二：直接复制粘贴

用 Chrome 或 Edge 浏览器打开 PDF，⌘+A（Mac）或 Ctrl+A（Windows）全选， 再 ⌘+C / Ctrl+C 复制，粘贴到任何文本编辑器。 这是最快的方法，适合偶尔提取少量文字。

方法三：命令行（pdftotext）

# 安装 poppler-utils（macOS）
brew install poppler

# 提取文字
pdftotext 文件.pdf 输出.txt

# 按页分隔提取
pdftotext -f 1 -l 5 文件.pdf 第1到5页.txt

扫描 PDF 提取文字（OCR）

方法一：FileKit OCR 工具

FileKit OCR 文字识别使用本地化部署的 Tesseract 引擎，支持中英文混排识别， 文件不上传服务器，识别结果显示置信度。

适合：合同扫描件、证件照、截图文字提取，中英文混排效果好。

方法二：微信文字识别（快捷方案）

把 PDF 页面截图，在微信里长按图片，选“提取文字”—— 这是很多人忽略的快捷方式，识别率相当高，适合提取少量文字。 也可以用钉钉、飞书的图片文字识别功能。

方法三：Adobe Acrobat OCR

Acrobat Pro 的 OCR 功能（工具 → 扫描和 OCR → 识别文字） 对中文支持很好，可以直接在 PDF 里生成可搜索的文字层， 而不只是提取文字——这样 PDF 就变成了“可搜索的扫描件”， 既保留了原始版式，又能 Ctrl+F 搜索。

提取效果差怎么办？

数字 PDF 提取结果乱码

通常是字体编码问题，中文 PDF 尤其常见。 可以试试用 Adobe Reader 打开再复制，或者用 Acrobat 转换为 Word 后提取。

OCR 识别率低

• 图片分辨率不足——扫描件建议至少 300 DPI，手机拍照建议在光线好的环境下拍， 保持文字清晰不倾斜
• 字体特殊——手写体、艺术字、印章文字识别率普遍较低
• 背景干扰——有底色纹理的文件识别率会下降，可以先用图片处理工具提高对比度

提取文字的注意事项

• OCR 提取的文字不一定 100% 准确，重要内容（数字、专有名词）需要人工核对
• 表格数据提取后通常会丢失列对齐，需要在文本编辑器里重新整理， 或直接用 PDF 转 Excel 的专用工具
• 受版权保护的 PDF 可能禁止文字提取（解锁后再尝试）