当 PDF 具有适当的文本图层时，从 PDF 中提取文本非常简单 - 您只需选择并复制即可。挑战来自扫描的 PDF 或文本已转换为轮廓的文件，其中文本的视觉外观存在，但底层字符不存在。以下是处理这两种情况的方法。
从本机数字PDF中提取文本
对于通过 Word、Excel、PowerPoint 或设计软件以数字方式创建的 PDF，文本提取就像选择和复制一样简单。在任何查看器中打开 PDF，单击并拖动以选择文本，然后按 Ctrl/Cmd + C 进行复制。粘贴到文本编辑器、Word 文档或任何您需要内容的地方。
要一次从多页 PDF 中提取所有文本，请按 Ctrl/Cmd + A 选择全部，然后复制并粘贴。文本按照 PDF 存储的顺序流动，通常是按列从上到下 - 多列布局有时会以不太直观的顺序粘贴，需要手动重新排列。
使用 OCR 从扫描的 PDF 中提取文本
扫描的 PDF 将页面存储为图像，因此没有可供复制的文本层。要提取文本，您首先需要对文档运行 OCR。将扫描的PDF上传到WukongPDF的OCR PDF工具中，进行处理，然后下载可搜索的版本。文本层现已嵌入，可以像任何数字 PDF 一样进行选择、复制和搜索。
如果您需要将提取的文本作为单独的文件而不是嵌入到 PDF 中，请使用 PDF 到 Word 工具将 OCR 输出转换为 Word。 Word 文件以可编辑格式包含所有已识别的文本，从而可以轻松复制部分、重新格式化或在内容的基础上进行构建。
将文本提取到单词或文本文件
为了直接提取 PDF 到文本而无需手动执行 OCR，WukongPDF 的 PDF 到 Word 转换器会提取文本内容并将其放入可编辑的 .docx 文件中。对于不带格式的纯文本，请打开生成的 Word 文档并将其另存为 .txt 文件 - 或将内容粘贴到纯文本编辑器中并从那里保存。
当您需要干净、未格式化的文本进行数据处理、导入到另一个应用程序或输入到使用纯文本输入的 AI 工具时，这非常有用。
从受密码保护的PDFs中提取文本
如果 PDF 具有由所有者密码设置的复制限制，则可以直观地选择文本，但复制操作会被阻止。要从您具有合法访问权限的受限 PDF 中提取文本，请使用 WukongPDF 的 PDF Unlock 工具首先删除权限限制，然后正常提取文本。一旦限制被取消，复制和粘贴就可以不受限制。
检查提取质量
提取文本后，对照原始 PDF 抽查几段以确认准确性。常见问题包括提取为乱码的连字（fi、fl 组合）、转换为问号的特殊符号以及提取文本中单词中间出现的连字符换行符。一旦您知道要查找什么，大多数问题都可以通过查找和替换轻松修复。