在线从 PDF 提取文本
提取 PDF 中的文本层，或通过 OCR 识别扫描页面中的文字，并保存为纯文本。
如果是扫描的 PDF，请在上传前选择文档语言。之后更改语言会重新识别当前文件。
选择 PDF 文件或拖放到此处
提取文本，并支持对扫描图像 PDF 使用 OCR
正在从 PDF 提取文本...
filename.pdf
原始大小：0 MB | 0 页
提取的文本内容
CMap 字体解码
使用 PDF.js 字符映射表（CMap）解码多种东亚字体和自定义编码字体。字体数据不完整的 PDF 仍可能出现错误字符。
扫描页面 OCR
几乎没有可提取文字的页面会使用 Tesseract.js OCR 识别。识别准确度取决于扫描质量、语言和版式。
浏览器内处理
文档在浏览器内存中本地解析。
使用方法
工具会先读取 PDF 中保存的文本层。如果某页几乎没有文字（例如扫描文档），则会将该页渲染为图片，并在浏览器中通过 OCR 识别。OCR 引擎及其语言数据会在首次运行 OCR 时从 leedybox.com 下载；您的 PDF 本身不会被上传。
- 添加文件之前先选择 OCR 语言，以便用正确的文字识别扫描页面。它已按本页的语言预先设置。
- 点击上传区域，或将 PDF 文件拖放到其中。提取会立即开始，并逐页处理。
- 带有文字层的页面会被直接读取。像扫描件这样几乎没有文字的页面，会先绘制成图像再用 OCR 识别，耗时更长；进度条会显示正在读取的页面。
- 在文本框中检查结果。每一页都以 --- 第 1 页 --- 这样的一行开头。
- 点击“复制文本”或“保存为 .TXT”保留结果，或点击“更换文件”读取另一个 PDF。
常见问题
为什么提取的文字有时会出现乱码？
有些 PDF 使用自定义字体编码存储字符。LeedyBox 会加载 CMap 表来解码其中的大部分，但缺少正确 Unicode 映射的字体仍可能产生错误字符。请将结果与原始文档进行核对。
它适用于扫描文档吗？
适用。当某页几乎没有文本层时，内置的 Tesseract.js OCR 引擎会识别页面图像中的文字。手写内容、低分辨率扫描件、特殊字体以及 OCR 语言设置未涵盖的语言都会降低准确度。
表格和分栏的版式会保留吗？
不会完全保留。输出为纯文本，因此表格、分栏和文本框会被展开为逐行文字，阅读顺序也可能与页面上看到的不同。
我的 PDF 会被上传吗？
不会。文字在浏览器中读取。当某页需要 OCR 时，会从 leedybox.com 下载 OCR 引擎和语言数据，但 PDF 本身不会发送到任何地方。
两种语言混合的文档应选择哪种 OCR 语言？
请选择包含文档主要语言的选项；除“仅英语”外，所有选项都同时识别英语。未选择的语言中的文字常常会被识别成错误的字符。
为什么 OCR 很慢？
下载 OCR 引擎和语言数据后，扫描页面会在浏览器中逐页识别。在较慢的设备上，一页可能需要几秒甚至更久，因此较长的扫描文档需要一些时间。