PDF 转文字 — 扫描版 PDF 也能 OCR
从任何 PDF 中取出纯文本:文字页直接读取,扫描页用 OCR 识别。在浏览器中运行,不上传任何内容。可复制,或下载为 TXT 或 Word。
仅加载此工具所需的代码…
我们实测的准确率
我们用自己制作的测试图片(不含任何用户文件)运行了这个工具,并把结果和原文对比。字符错误率统计错字、漏字和多出的字;0% 表示每个字都正确。
| 测试图片 | 语言 | 错误率 | 引擎默认 | 耗时 | 手机模拟 |
|---|---|---|---|---|---|
| 从文字处理软件保存的 PDF(带文字层) | 英语 | 0% | — | 1.3秒 | 2.7秒 |
| 扫描的双栏页面,存为 PDF | 英语 | 0% | — | 6.3秒 | 24.9秒 |
| 两页 PDF:一页文字,一页照片 | 英语 | 0% | — | 3.6秒 | 7.8秒 |
| 同一份通知,手机斜拍 | 英语 | 0.1% | 2.4% | 3.7秒 | 6.2秒 |
| 印地语印刷页 | 印地语 | 0% | 0% | 1.8秒 | 4.3秒 |
| 简体中文印刷页 | 简体中文 | 0% | 0% | 1.8秒 | 4.3秒 |
引擎默认:同样的引擎和语言数据,但不经过我们的预处理(自动版式、不矫正倾斜、不校正光线)。
测量方法:图片由脚本生成,内容是我们自己写的句子,模拟以 4° 角度、在不均匀光线下拍摄,再存为 JPEG、PNG 和 PDF。耗时在一台 4 核云端电脑上测得;手机模拟额外加上 Chrome 的 4× CPU 降速。首次使用还要下载引擎(约 1.1 MB)和语言数据。
工具质量检查
将输出作为经过验证的工作副本
如果之后可能需要,请保留原文件。在目标应用中打开生成的 TXT,检查内容和格式是否满足需求。
输入
输出
TXT
批处理
每次最多 5 个文件
每次最多 5 个文件。只有执行相同操作的文件才应放在同一次运行中。
直接进入相关操作,无需重新查找工具。
下载适合目标用途的结果,并在分享前检查。
使用已配置的运行时限制.
TXT
请查看下方上传限制
分享前请检查结果
关于此工具
要把 PDF 转成文字,添加 PDF 并点击“提取文字”,然后复制结果,或下载为 .txt 或 Word 文件。本来就有文字的页面,比如从 Word 保存的 PDF、银行对账单或电子书,会直接从文件中读取,准确又快速。只是图片的页面,比如扫描件或存成 PDF 的手机照片,会按你选择的语言用 OCR 识别。
结果会标出每一页(--- 第 2 页 ---),并告诉你有几页来自 PDF 自带的文字、几页需要 OCR。PDF 不会离开你的设备:PDF.js 读取文件,Tesseract 在浏览器里识别扫描页。
在我们的测试中,一张扫描的双栏简报页面字符错误率为 0%,阅读顺序正确;一个两页的 PDF(一页文字、一页照片)在我们的 4 核测试电脑上用了 3.6 秒(模拟降速手机为 7.8 秒)。
什么时候该用别的工具
- 想保留 PDF,并让扫描页可以搜索和选择文字,请用 OCR PDF。
- 想在可编辑文档里保留标题、字体和表格,请用 PDF 转 Word。
- 想从文字版 PDF 得到带标题和列表的 Markdown,请用 PDF 转 Markdown。
- 有密码的 PDF 需要先输入密码:用解锁 PDF 解锁一份副本。
如何使用
添加 PDF
拖放或选择最多 5 个 PDF。文字版和扫描版 PDF 都可以。
选择 OCR 语言
语言只用于没有自带文字的页面(扫描页和照片)。如果扫描页的两栏内容混在一起,请选择“分栏”。
提取并保存
点击“提取文字”,检查结果,然后复制,或下载为 TXT 或 Word。
使用场景
引用报告内容
从很长的 PDF 报告里取出一段话或一个数字,不用和阅读器的文字选择较劲。
扫描的信件和合同
从扫描版 PDF 中得到可搜索的文字,方便查找条款、日期或金额。
给其他工具用的文字
把文字粘贴到翻译工具、字数统计或 AI 助手里,或用文本工具整理。
常见问题
怎样把 PDF 转成文本文件?+
在本页添加 PDF,点击“提取文字”。完成后点击“下载 TXT”,或把文字复制到其他应用。
扫描版 PDF 也可以吗?+
可以。没有文字层的页面会按你选择的语言用 OCR 识别。这比读取文字页慢:我们扫描的简报页面在 4 核测试电脑上用了 6.3 秒,而一个带文字层的两页 PDF 只用了 1.3 秒。
为什么有些文字缺失,或顺序很奇怪?+
PDF 按绘制的顺序存储文字,通常就是阅读顺序,但不总是。双栏的扫描页请在“页面版式”中选择“分栏”。文字版 PDF 里图片中的文字不会被读取,这些页面请用 OCR PDF。
能只提取部分页面的文字吗?+
会读取所有页面。只需要几页的文字时,先用“提取页面”把这几页取出来,再转换这个更小的 PDF。
我的 PDF 会上传吗?+
不会。PDF.js 读取文件,Tesseract 在你的浏览器里识别扫描页。只有识别引擎和语言数据会从 MAXScanner 自己的服务器下载一次。
能保留格式吗?+
纯文本没有格式。需要保留标题和表格的可编辑文档,请用 PDF 转 Word;想让 PDF 保持原样但可以搜索,请用 OCR PDF。