从数字或扫描的 PDF 中提取文本

检查页面是否包含真实文本

尝试在 PDF 查看器中选择一个句子。有用的文本图层通常允许您选择单词，尽管某些文档仍然具有不完整或异常的字符映射。仅是扫描图像的页面需要通过像素进行识别。一个文件可以包含两种页面。

先提取现有文本图层

选择 PDF 为数字文档添加文本。选择您需要的页面，检查输出并将其与原始文件进行比较。纯文本不会保留每个表、列或视觉关系。没有提取文本的页面应该单独检查，而不是默默地从你的工作中忽略。

对扫描页面使用图像 OCR

对于纯图像页面，首先使用 PDF 到 JPG 渲染所需页面。在“图像到文本”中打开该结果并选择文本语言。此手动序列可让您在识别之前查看页面。第一个 PDF 到文本版本不会自动 OCR 扫描页面。

比较两个原始Word导出

sample-word-output.pdf 文件包含从我们的 Word 到 PDF 直接下载的页面图像。 sample-word-print.pdf 文件是使用浏览器打印路径创建的，包含原始示例中的可选文本。这些文件说明了为什么 .pdf 扩展名本身并不能告诉您文本提取是否有效。

保持输出的目的明确

TXT 对于搜索、复制或编辑单词很有用。它不是保留布局的 PDF 到 Word 的转换。如果提取的文本很重要，请检查页面边界、名称和图形，保留原始 PDF，并仅使用您有权处理的文档。

Continue with a related tool