# PDF 文本提取 https://thedollscout.com/zh/pdf-to-text 由 TDS 文档侦察站发布 更新日期: 2026-09-27 适用场景: 需要复用 PDF 已有文字,或先判断能否提取文本时。 你会得到: 按页分组的可提取文字,以及保存在本地的 TXT 文件。 仍需确认: 纯图片页面需要另外使用 OCR;提取的文字顺序也可能需要修正。 在当前浏览器中处理,无需上传文件或注册。 这是发布前的检查,不是 WCAG 或 PDF/UA 认证。检测到标签或标题,并不证明其内容正确。 使用 Mozilla PDF.js 解析真实的 PDF 对象,检查标题、语言声明、已标记声明、页面文字、可暴露的结构角色和表单字段。 缺失声明和结构属于处理线索。标题跳级、表格、表单和缺少书签的长文档需要人工判断,不计算百分比无障碍评分。 每份文件最多 20 MB,每批最多 10 份且总计 100 MB。每份检查至多 200 页,每批至多 600 页。文本上限为每页 10 万字元、每份 200 万字元;部分结果会明确标记。 版本对比用规范化文本对齐页面。文本相同不代表图片、标签、链接或版式相同。没有可用文本的页面保留为未知。 报告在本地生成。人工勾选仅记录使用者的判断,不是独立审计。原始文件不会被改写。 图片、JSON 和时区工具分别在各自页面说明方法、限制并提供可复核示例。图片输出取决于浏览器编码器;JSON 比较保留数字原文,数组按下标比较;会议时间使用浏览器内的时区数据库。 扫描 PDF 为什么提取不出文字? 扫描件可能只有页面图片,没有文本层。此工具只提取已有文字。请另行进行 OCR,检查识别准确性后,再提取新文件的文本。 提取文本能保留表格和阅读顺序吗? 输出按页分隔的文字,不重建表格单元格,也不保证视觉或辅助技术的阅读顺序。分栏、表格和特殊字符需要对照原件检查。 你可以复现的检查结果 下载这些虚构示例 PDF,在上方工具中运行。下面的结果由工具所用的同一个 PDF 解析器生成,你可以自行核对。 原版讲义会产生下面按页分开的文本。无文本层示例的文本字符数为零;这个工具不做 OCR,复用前请对照原件核对。 页数 | 提取的文本 1 | Fictional workshop handout Session starts at 09:30. Bring a notebook. 2 | Materials checklist Notebook and pencil. 原版讲义: https://thedollscout.com/document-assets/samples/sample-before.pdf 修订版讲义: https://thedollscout.com/document-assets/samples/sample-after.pdf 无文本层示例: https://thedollscout.com/document-assets/samples/sample-image.pdf 引用这个示例: https://thedollscout.com/zh/pdf-to-text#worked-example 下载全部示例结果(JSON): https://thedollscout.com/document-assets/sample-results.json 参考资料 - W3C: PDF reading order: https://www.w3.org/WAI/WCAG22/Techniques/pdf/PDF3 - W3C: text alternatives in PDF: https://www.w3.org/WAI/WCAG22/Techniques/pdf/PDF1 - Mozilla PDF.js: https://mozilla.github.io/pdf.js/