PDF 是如何存储文本的
PDF 页面本质上一组绘图指令：“在 x=72, y=640 的位置绘制字体 F2 的第 37 号字形”。在许多文件中，并不存在段落、列甚至单词的概念——只有各个坐标位置上的字形。当你复制文本时，阅读器会猜测这些字形是如何组成单词、行和段落的。大多数情况下它猜得很准，但当它猜错时，就会出现以下问题。
问题一：完全没有文本
原因： 页面本质上是一张图片——扫描件、照片或压平的导出文件。其中根本没有可供复制的字符。 解决方法： 运行 OCR。我们的提取文本工具能够自动检测纯图片页面并运行 OCR。请参阅如何总结扫描版 PDF。
问题二：出现乱码或奇怪符号
原因： PDF 使用了没有正确建立字形到 Unicode 字符映射的字体（通常是子集字体或自定义编码字体）。阅读器知道如何绘制这些文本，但不知道它们代表什么字母。 解决方法： 首先尝试使用其他提取工具；如果所有工具都返回乱码，请将该 PDF 视为扫描件并使用 OCR，OCR 会直接识别图形形状而不是读取字体数据。
问题三：断行和带连字符的单词
原因： 在 PDF 中，每一行都是一段独立的文本流。复制时会保留换行符，以及行尾的连字符。 解决方法： 通过清理步骤将段落内的各行重新拼接，并移除行尾连字符（我们的提取工具会自动处理此问题）。
问题四：多列文本混杂在一起
原因： 在多栏布局中，简陋的提取器会直接横跨页面逐行读取，从而将不同栏目的内容交织在一起。 解决方法： 使用按阅读顺序提取文本的功能，它会在读取前对文本块进行分组。大多数现代工具都具备此功能，而单纯保留原始布局的模式则没有。
问题五：空格缺失或出现多余空格
原因： 某些 PDF 会将每个单词（甚至每个字母）分别定位，而没有真正的空格字符。提取器必须根据间距来推测空格。 解决方法： 使用不同的提取引擎，或将 OCR 作为最后手段。
问题六：表格变成一堆乱码
原因： 表格只是按网格定位的文本；绝大多数 PDF 中并不包含真正的表格结构。 解决方法： 若要处理结构化数据，请使用专门的表格提取工具；若要理解内容，可以直接针对表格提问——AI 通常能够解读按行提取的文本。
问题七：复制功能被屏蔽
原因： 该 PDF 包含限制用户复制的权限标志，或者设置了密码保护。 解决方法： 如果你拥有该内容的合法使用权，请使用密码打开文档并将其打印为新的 PDF。请务必尊重文档的版权许可。
常见问题
为什么我从 PDF 复制的文本到处都是断行？
因为 PDF 中每一行都是单独存储的。建议粘贴到能够自动重新拼接段落的工具中，或者使用会自动清理断行的提取器。
为什么从 PDF 复制时会出现奇怪的符号？
因为该字体缺少正确的字符映射。OCR 通常是最稳妥的解决方法。
如何从扫描版 PDF 中提取文本？
请使用 OCR。本站的提取文本工具在检测到页面没有文本层时会自动运行 OCR。
可以保留格式吗？
纯文本提取会剥离字体和排版。如果你需要带着格式进行编辑，请使用 PDF 转 Word 工具，并做好手动清理部分格式的准备。