PDF 文件:为什么里面的文字这么难取出来

具体说,PDF 里没有段落、没有行,常常连词都没有。它有的是带位置的字形串。你正在读的这句话,可能是十几个各自带着计算好坐标的独立串;而两个词之间的空格,可能只是「没有墨迹」而不是一个空格字符。所以每一个 PDF 转文本、PDF 转 Word 的转换器——包括本站——都是在做重建:按基线把串聚成行、猜段落边界、从字号推断标题。这对普通散文效果不错,而对分栏和表格则会被压平,因为保住它们所需的信息从来就不在文件里。

第二件要知道的事:「PDF」涵盖了两种完全不同的情况。从 Word 或浏览器导出的 PDF 里有真正的文字,你能搜索和复制。而由扫描仪或手机相机产出的 PDF 里装的是页面的照片,根本没有文字——那些字是像素,不做文字识别就没有任何办法取出来。本站会检测这种情况,并在你自己的机器上运行 AI 识别模型,而不是上传文件——这一点很少见:OCR 通常正是一个转换器把你的文档发到服务器的那一步。

PDF 也是「隐私」不再抽象的地方。合同、工资单、银行流水、诊断书、发票和扫描的身份证件,走的都是这个格式。本站的每一次转换都在页面内完成——PDF 由你浏览器里的代码打开、渲染和读取,没有任何请求携带这个文件。这就是这个转换器为什么被做成这样,而 PDF 是这件事最要紧的品类。