PDF 提取文字，3 种免费方案怎么选

第一步永远是判断类型

用阅读器打开，试着用鼠标划过一段文字。能选中就是文字型 PDF，里面的字符是真实编码，提取出来就是干净的文本。选不中就是扫描件，本质是一张张图片，必须走 OCR。

这一步只需要三秒，但能省掉大量无效尝试。很多人拿着扫描件反复换提取工具，怎么试都是空结果，就是跳过了这一步。

方案一：文字型 PDF 直接提取

文字型 PDF 的提取几乎是即时的，效果也好。需要注意的只有两点：一是分栏排版可能被按行合并，读起来串行；二是页眉页脚会被当成正文混进来，提取后需要清理。

如果提取结果是一大段没有换行的文字，说明工具按视觉行来切分了。这时候手动补段落，或者换一个按文本块输出的工具，都能改善。

方案二：扫描件先 OCR 再整理

扫描件的提取效果几乎完全取决于图片质量。三百 DPI、摆正、无阴影的扫描件识别准确率很高；歪斜、模糊、有反光的照片就难说了。

一个容易被忽略的技巧是：先给图片做一次黑白化提高对比度，再送去识别，准确率往往能提升一截。文字和背景的对比度越高，识别引擎越省力。

方案三：只需要一部分时的取巧办法

如果只要文档里的某几页或者某张表格，别整份处理。先按页码范围抽出来，只对这几页做识别，速度快得多，也不容易在大文件上中途失败。

表格要特别处理。普通 OCR 会把表格拍成一行行文字，列之间的关系全丢。需要保留表格结构的，要用专门的表格识别，输出成表格文件而不是纯文本。

提取完别忘了这两步

一是核对数字。识别引擎对形近字和数字最容易出错，涉及金额、身份证号、电话号码的地方必须逐字核对。二是统计字数，确认提取完整——如果原文三千字只提出一千五，说明有页面漏了或者识别失败。