PDF文本提取：从PDF复制文字的技术指南

PDF采用文本层与视觉渲染分离的存储架构，文本层存储字符编码与坐标信息，视觉渲染负责在屏幕输出文字样式。

用户从PDF复制文字时，多数PDF阅读器默认按文本层存储顺序输出内容，该顺序和用户视觉阅读顺序常存在差异，因此会出现复制结果格式错乱的问题。

OKfmt的PDF文本提取工具采用StructuredText算法，先解析PDF文本层得到所有文字的坐标与字符信息，再根据坐标范围划分独立视觉块。

算法会按照从上到下、从左到右的顺序，对划分完成的视觉块排序，再拼接所有块内文字，最终输出符合用户阅读习惯的可编辑文本。

原生PDF和扫描件PDF的内部结构不同，可提取性存在明显差异，以下为两种PDF的具体对比。

提取得到的纯文本可用于多种场景，包括文档内容全文检索、批量翻译的内容喂料，以及原有PDF内容的二次编辑整理。

OKfmt的PDF文本提取工具当前设定单文件处理上限为200页，超出该上限的文件无法完成处理，拆分文件后可分批操作。