PDF转TXT转换器

什么是从PDF提取文本？

从PDF提取文本是获取文档文本内容的纯粹形式的过程，没有格式、图形或结构元素。结果是一个TXT文件，只包含字母、数字、标点符号和换行符。这种文本可以在任何设备上的任何编辑器中打开，用于分析、索引或进一步处理。

PDF（便携式文档格式）由Adobe于1993年开发，用于交换文档，同时保持其精确外观，不受软件和操作系统的影响。该格式基于PostScript页面描述语言，存储每个元素的信息：字符坐标、字体、颜色、图像、矢量对象。这就是为什么PDF在计算机屏幕、平板电脑、手机和打印时看起来相同的原因。

TXT（纯文本）是一种简单的文本格式，没有任何格式。文件只包含特定编码的字符序列。TXT出现在计算机时代的黎明，至今仍是存储文本信息的通用方式。文本文件可以在任何地方读取：服务器命令行、Windows记事本、macOS文本编辑器、智能手机。文件大小最小——只有字符本身，没有元数据。

PEREFILE服务分析PDF文档结构，提取文本流，并创建具有适当UTF-8编码的文本文件，以正确显示中文和其他语言。支持密码保护的文档——只需在转换期间提供密码。

PDF内部如何工作

了解PDF的内部结构有助于解释为什么文本提取不是一项简单的任务。PDF不是为编辑而设计的，而是为准确再现文档外观而设计的。

流和对象

PDF文件是对象的集合：字体、图像、文本流、图形元素。每个对象都有唯一的编号，可以引用其他对象。文本不是作为段落序列存储的，而是作为一组绘图命令存储的："使用字体Z在位置Y放置字符X"。

简单单词"你好"在PDF内部可能看起来的示例：

• 设置Arial字体，大小12
• 将光标移动到坐标（100, 700）
• 绘制字符"你"
• 将光标向右移动8点
• 绘制字符"好"
• 对每个字符依此类推

编码和字体

编码系统造成了额外的复杂性。在PDF中，相同的字符可能根据嵌入的字体具有不同的数字代码。一些文档使用字体子集（只有文本中出现的字符），它们的编码对每个文件都是唯一的。文本提取程序必须正确解释这些编码。