扫描版 PDF、文本层与 OCR 的区别
用扫描仪或手机把纸质文件扫成 PDF，再用 PDF to Text 打开，却看到 此 PDF 中没有找到可选择的文字。这并不是出错了，而是说明这个文件里确实没有可以读取的文字数据。
什么是文本层
一页 PDF 可以同时包含两类信息：一类是眼睛看到的画面，另一类是供搜索、复制使用的文字。后者就是文本层。从文字处理软件导出的文档、从浏览器保存的网页，一开始就带有文本层。判断方法很简单：在阅读器里能用鼠标选中单个字词，就说明有文本层。
纯图像的扫描件
扫描时，每一页通常会被保存成一张图片。人眼能认出上面的字，但对文件来说，那只是许多像素点，并没有“这是哪个字”的信息。因此 PDF to Text 无字可取，会在这样的页面上注明“此页是一张图片，可能是扫描件”。如果所有页面都是这种情况，全部复制 和 下载 TXT 都不可用。
OCR 是另一类处理
要从图片中得到文字，需要 OCR（光学字符识别）。OCR 会分析图像中的字形，推断出对应的文字，再为文件生成一层新的文本层。这和读取已有文字是两种不同的工作，属于另一类软件的职责。PDF to Text 不具备 OCR 功能，也不会识别图片中的文字。
也有一些扫描件在扫描时或之后已经做过 OCR 处理，外观仍是图片，但背后带着一层隐藏的文字。这种 PDF 的文本层可以被 PDF to Text 正常读取。
判断你的 PDF 属于哪一种
- 在阅读器中打开 PDF，尝试用鼠标选中正文里的一句话。
- 能选中单独的字词，说明有文本层，可以直接用本工具提取。
- 只能选中整页图片，或者什么都选不中，说明是纯图像扫描件，需要先用 OCR 生成文本层。
有的 PDF 是混合的：一部分页面有文字，一部分只是图片。这时顶部会列出没有文字的页码，其余页面照常提取。
在浏览器中提取文字 → PDF to Text