PDF to Text: What the .txt File Leaves Out

文本提取是一项复制作业，而不是转换：它获取可选择的单词并将其逐页写出。结果非常适合搜索和脚本，但它不会保留列、框或样式。

为什么会出现这个问题

当目的地是搜索索引、脚本或只需要措辞的同事时，人们会选择纯文本。文件很快就到达了，只有当文本已经在下一个系统中时，它的无声遗漏才会浮出水面。

运行之前检查一下

• 首先确认单词可以选择。 如果您无法在 PDF 查看器中突出显示句子，则页面是图像。首先运行 OCR，然后从可搜索副本中提取。
• 请阅读第一页以了解顺序和中断。 多列布局可能会交错，对齐的行可能会中断句子。检查标题和条款是否遵循人们阅读的顺序。
• 检查表格和特殊字符。 纯文本形式的表格通常会丢失网格；使用 PDF 到 Excel 获取数据。导入文件之前检查重音符号、连字和货币符号。

何时伸手去拿它

• 您需要准确地引用一个条款。 Extract the text, then search the .txt for the exact wording instead of retyping from the page.
• 您正在检查 PDF 是否真的是文本。 几乎为空的输出是最快证明该文件是扫描件并且在任何转换之前需要 OCR 的证据。

我们得到一个问题

文本是否保持其布局？

这些单词按阅读顺序返回——非常适合引用、搜索和脚本。由真实表格文本构建的表格保持其结构；扫描的页面首先需要 OCR。

适合的地方

人们通常在 PDF to Text 旁边打开的工具：

• PDF 到 PowerPoint — 将 PDF 重建为可编辑的 PowerPoint 幻灯片。
• PDF 转 JPG — 将每个页面转换为您需要的分辨率的 JPG、PNG 或 TIFF 图像。
• PDF 到 Word — 将 PDF 转换为可编辑的 Word 文档，并尽可能保留布局。

每个工具都适用于副本，因此原始文件永远不会被触及。上传的内容存储在不可猜测的 ID 下，并在您上次打开后两小时自动删除；没有列出、共享或索引任何内容。更多关于 安全页面.