为什么将 PDF 转换为纯文本文件
将PDF 转换为文本 文件会去除所有格式、图像、布局和样式，以生成干净的文本文档。结果是一个仅包含原始 PDF 中的单词的文件，并按阅读顺序排列。当您需要编辑文档内容、提取引号、分析文本或将内容导入到另一个不接受 PDF 输入的应用程序时，此纯文本输出非常有用。
生成文本输出的PDF转换器是最基本且最普遍兼容的转换。每个文字处理器、文本编辑器、笔记应用程序、电子邮件客户端和内容管理系统都可以打开和使用纯文本文件。没有字体兼容性问题，没有格式冲突，也没有版本要求。文本是所有数字文档格式的共同点。
PDF 编辑器 直接处理 PDF 的方法适用于小的修正。对于大量文本工作、分析或在其他文档中重复使用，将文本提取为纯格式并在专为文本操作设计的工具中使用它会更有效。转换将内容与表示分离。
纯文本提取也是许多文档处理工作流程的第一步。在翻译 PDF、以编程方式搜索 PDF、使用文本分析工具分析其内容或将其数据导入数据库之前，您需要从 PDF 容器中提取文本。
从 PDF 文件中提取文本的方法
Adobe Acrobat Reader，免费版本，可以导出PDF文本。打开 PDF，转到“文件”，选择“另存为文本”，然后选择保存位置。 Acrobat 提取文本内容并将其保存为 TXT 文件。导出的文本保留阅读顺序，并包含近似原始段落结构的换行符。
Microsoft Word 可以打开 PDF 文件并将其转换为可编辑的 Word 文档，然后将其另存为纯文本。打开 Word，转到“文件”、“打开”，然后选择 PDF。 Word 将 PDF 内容转换为可编辑文档。检查转换是否存在格式问题，然后另存为纯文本。对于许多 PDF，这种两步方法可生成比直接文本提取更清晰的文本输出。
基于浏览器的 PDF 工具无需安装软件即可提取文本。 WukongPDF 的 PDF 工具包括处理 PDF 并返回文本内容的文本提取。上传 PDF，运行提取，然后下载或复制提取的文本。基于浏览器的方法适用于任何操作系统。
对于命令行用户，诸如 pdftotext（开源 Poppler 库的一部分）之类的工具可以使用简单的命令从 PDF 中提取文本。安装该工具，打开终端，然后运行 pdftotext filename.pdf 以生成同名的文本文件。命令行方法支持多个 PDF 的批处理，并且可以集成到自动化文档工作流程中。
对于短文档来说，复制和粘贴是最简单的方法。打开 PDF，选择所有文本，复制并粘贴到文本编辑器或文字处理程序中。此方法适用于任何包含可选文本的 PDF。对于没有文本图层的扫描 PDF，必须先执行 OCR，然后才能复制文本。
PDF 文本提取质量的期望
干净、完整地提取原生 PDF 中的文本。直接从文字处理器创建的本机 PDF 将文本存储为字符数据。提取过程读取该字符数据并将其写入文本文件。提取的文本准确且完整，但可能需要进行一些重新格式化才能获得最佳可读性。
经过 OCR 处理的扫描 PDF 中的文本以 OCR 的准确度级别进行提取。如果 OCR 的准确度为 99%，则提取的文本的准确度为 99%。其余 1% 的错误（通常是混淆的字符或漏词）需要手动更正。始终对照原始 PDF 检查 OCR 提取的文本以获取关键文档。
文本提取期间格式会丢失。粗体、斜体、字体大小、颜色和布局都被去掉了。文本文件仅包含单词。对于格式带有含义的文档，例如指示文档结构的标题或指示强调的粗体文本，请单独记下这些含义或使用保留基本格式的更丰富的提取格式（如 RTF 或 DOCX）。
多列 PDF 中的阅读顺序可能会被打乱。文本提取按照文件中存储的顺序读取 PDF 内容，对于多列布局，这可能与视觉阅读顺序不匹配。两栏文章可以从两栏提取交错文本，而不是连续的栏内容。查看提取的文本并手动重新排序从阅读顺序中提取的部分。
WukongPDF 的文本提取保留了原始阅读顺序并生成干净的文本输出。对于阅读顺序可能不明确的复杂布局，提取预览会显示文本的排序方式，以便您在提交提取之前验证顺序。
清理提取的 PDF 文本
删除导致段落碎片的不需要的换行符。 PDF 文本提取通常会在原始 PDF 的每一行末尾插入换行符。 PDF 中跨越五行的段落在文本输出中将变为五行。使用文本编辑器或文字处理器将这些行重新连接成流动的段落。大多数文字处理程序可以查找换行符并用空格或段落符替换。
删除提取文本中出现的页眉、页脚和页码。这些元素通常位于每个页面的顶部或底部，并在文本提取中显示为重复行。搜索页眉和页脚文本模式并将其删除。对于长文档，自动查找和替换操作可以有效地处理这种清理。
如果文本是从扫描的 PDF 中提取的，请更正 OCR 错误。常见的 OCR 错误包括混淆字符（例如数字 1 和字母 l）以及误读标点符号。拼写检查可发现许多 OCR 错误，但需要手动检查专有名称、数字和技术术语，因为拼写检查程序可能不会将这些错误标记为错误。
对于开发人员和数据分析师来说，PDF 文本提取通常是数据处理流程的第一步。以 PDF 形式发布的财务报告、以 PDF 表格形式发布的政府数据以及以 PDF 文档共享的研究数据都需要转换为结构化文本才能进行分析。文本提取步骤解锁数据，否则这些数据将被困在不可分析的格式中。
从 PDF 中提取的文本可以导入到电子表格和数据库中以进行进一步处理。以 PDF 形式发布的价目表将成为可排序、可过滤的电子表格。以 PDF 形式发布的目录将成为可搜索的数据库。 PDF到文本的转换是连接静态文档和动态数据工具的网关。
正则表达式和文本处理脚本可以自动清理和构造提取的 PDF 文本。处理月度报告 PDF、提取相关数据表并将其加载到数据库中的脚本只需几秒钟即可运行。如果没有文本提取，人们将花费数小时手动从 PDF 复制数据。
文本提取速度取决于 PDF 大小和复杂性。不到一秒即可提取 10 页文本 PDF。包含混合内容的 200 页 PDF 需要更长的时间。提取工具必须处理每一页才能恢复文本。
命令行工具和一些桌面应用程序支持从多个 PDF 中批量提取文本。选择文件夹中的所有 PDF，运行提取，并接收每个 PDF 的文本文件。这种批处理功能对于文档处理管道至关重要。
文本编码对于国际文档很重要。 UTF-8 编码保留所有语言的字符。较旧的提取工具可能默认使用 ASCII 编码，这会丢失非英语字符。选择 UTF-8 输出以保留多语言内容。
文本提取是许多辅助功能工作流程的基础。在屏幕阅读器可以朗读 PDF 之前，必须提取文本。在翻译工具翻译 PDF 之前，必须提取文本。在搜索引擎对 PDF 建立索引之前，必须提取文本。
提取的文本文件可以使用 Git 等工具进行版本控制，从而允许您跟踪文档文本随时间的变化。每个修订都会被记录下来，您可以比较版本以了解到底发生了什么变化。
文本文件输出可以使用任何文本搜索工具进行搜索，通过桌面搜索引擎进行索引，并使用文本分析软件进行处理。对于需要分析或重复使用的文档内容，这种通用性是纯文本相对于 PDF 的主要优势。
对于协作写作项目，将 PDF 文本提取为共享文档格式允许多个作者同时处理内容。文本提取是将内容从静态 PDF 转移到协作编辑环境的第一步。
提取的文本保留了原始文档的词序和句子结构，使其适合学术和专业工作中的引用和引用。始终根据原始 PDF 验证引用的文本，以确保提取的准确性。
文本提取的速度使得处理大型文档集合变得实用。包含 500 个 PDF 报告的文件夹可在几分钟内转换为文本文件，从而能够在整个集合中进行批量搜索、分析和数据挖掘。
从 PDF 中提取的文本文件通常以 UTF-8 格式进行编码，该格式保留了几乎所有书写系统的字符。使用 UTF-8 编码时，可以正确提取中文、阿拉伯语、俄语和其他非拉丁文字的文档。