为什么有些 PDF 的文字复制不出来

为什么有些 PDF 的文字复制不出来

有些 PDF 里,你试着选中一句话,光标却变成十字,一拖就是整页的矩形。文档看起来明明是排好版的文字,里面却没有一个字。

文字是画出来的,不是存成句子的

PDF 本质上是一串绘图指令。对文字而言,页面内容流写的大致是:「把字体 F3 的第 47 号字形放在这个坐标,然后是 12 号、103 号……」。查看器要靠字体的编码表,最好还有一张 ToUnicode 映射表,才能知道每个字形对应哪个字符。复制能否成功,全看这张表在不在、对不对。

链条断在任何一环,结果都差不多:

  • 完全选不中:页面是扫描图片,只有像素,没有字形。
  • 粘贴出乱码:字形存在,但 ToUnicode 映射缺失或错误,于是你得到的是一串符号,而不是正常的字。
  • 文字被转成轮廓:设计软件导出时把字符变成了矢量路径,通常是为了保留字体授权。此时字形真的成了图形。
  • 复制被禁止:文件加密时设置了禁止复制的权限。不少查看器直接忽略这条限制,不忽略的就会拒绝复制。

先判断属于哪种情况

在段落上单击,然后按 Ctrl+A。如果高亮贴合着一行行文字,说明文字层存在,问题出在编码;如果整页糊成一块,那就是扫描件。

怎么把文字拿出来

对于有文字层的 PDF,换一个提取器往往就能解决。站内的 PDF 转文本工具 在浏览器里运行 pdf.js,逐页读取文字内容,把文字片段倒进文本框里——页与页之间空一行,同一页的片段用空格拼接。全程不上传文件,结果可以复制,也可以下载成 .txt。但它变不出不存在的文字:喂给它一个扫描件,输出就是空的,或者只有几个零散字符。

扫描件和轮廓文字只能靠 OCR,把字母的像素重新识别成字符。要有心理准备:OCR 的结果是草稿,需要校对。

规则:如果一个字符都选不中,就别再点了。文字层不存在,任何提取工具都变不出来。