为什么提取出来的文字会乱或缺字

2026-10-30

用 PDF to Text 提取文字后，有时会发现顺序不对、表格变成了一串用空格隔开的字，甚至有些地方是空的。大多数情况下，这并不是读取出了问题，而是由 PDF 本身的结构决定的。下面按常见情况逐一说明。

顺序和分栏

工具按 PDF 文件自己记录的顺序读取文字。有些软件生成 PDF 时，内部顺序和肉眼看到的顺序并不一致。明显分为两栏的页面会按栏读取，但海报、宣传单这类自由排版的页面，标题和正文可能会分开出现。阿拉伯语等从右向左书写的文字会按阅读顺序输出；竖排日文和旋转的文字也能处理。

表格中的每一行会变成一行文字，单元格之间用空格隔开；列结构和边框不会保留，也没有导出为电子表格的功能。页面顶部和底部的页眉、页脚（如公司名称、页码）会和正文一起出现在结果里。英文单词在行尾被连字符拆开时，连字符会原样保留。

有些 PDF 用的字体只负责“画出字形”，却没有说明每个字形对应哪个 Unicode 字符，也就是缺少或损坏了 ToUnicode 映射表。硬把这些字形转成文字只会得到一堆乱码，所以 PDF to Text 会略过这部分内容，并显示提示：部分文字无法读取。

在其他软件里复制这类 PDF 的文字，通常也只会得到乱码。

设计稿里的标题、标志文字常被“转曲”成图形，看起来是字，实际上是线条和色块。只有这类内容的页面会被标注为“只有图形，或已转换为图形的文字”。

另外，如果作者关闭了复制和提取文字的权限，工具会显示 此 PDF 不允许复制文字，不显示也不保存文字。本工具不会绕开这一设置，也不会修改文件。