先说结论
PDF 页面里装的要么是真实文字（文字层），要么只是文字的照片（扫描件）。提取工具只能读第一种，OCR 才能读第二种。所以「提取不出文字」几乎总是下面四种情况之一，各自的下一步不同。文中三类样例都是 YYSI 自制的测试文件，可全部下载并复现每一个结果。
| 现象 | 可能原因 | 下一步 | 工具 |
|---|---|---|---|
| 文字能选中复制，但顺序混乱 | 有文字层；提取按视觉行顺序读取（双栏、表格） | 先提取，校对时手工调整顺序 | PDF 提取文字 |
| 完全选不中，页面提取为空 | 扫描件/照片页——没有文字层 | 把扫描页导出为图片，再逐页 OCR | PDF 转图片 + 图片文字提取 |
| 提示「已加密」 | 文件带密码 | 向发送方要密码或未加密副本 | — |
| 提示「文件损坏」 | 文件不完整或已损坏 | 向来源重新获取一份完整文件 | — |
情况一：有文字层——提得出来，顺序未必对
我们的 report-text.pdf 共两页：第 1 页是英文段落加双栏小节和价格表，第 2 页是同样结构的中文页。提取把每个词都取了出来——第 1 页 721 字符、第 2 页 260 字符，工具汇总为 已提取 2 页文字（共 981 B），整体下载是带页标记的 UTF-8 TXT（1,356 字节）。
但双栏小节变成了这样：提取按每条视觉行从左到右拼接，左右两栏被合并进同一行：
左栏：保养记录 右栏：安全检查
甲．已更换机油滤芯。 丙．灯光测试通过。
乙．已补充玻璃水。 丁．胎压恢复正常。一个字都没丢——但阅读顺序错了。这就是「文字明明能选中，复制出来却乱掉」的原因：能选中不等于顺序正确。表格则保留行、丢掉列结构：空气滤芯 2 14.50 29.00 读起来没问题，却没有任何标记告诉你一列到哪里结束。
合计 105.25，花三十秒验算（29.00 + 39.20 + 37.05）确认无误。真实发票里如果出现 合计 15.25 105.25 这样的粘连行，很容易把错数抄进报表。中文页提取完全正常：各行原样保留（库存盘点示例（合成数据）、冷却液（1升）、丁．胎压恢复正常。逐字一致）。只要文字层存在，中文和英文一样可靠——双栏与表格的注意事项也一样适用。
情况二：扫描件——如实的空白结果
我们的 scan-no-text.pdf 在阅读器里看起来一模一样，但每页只是文字的照片（扫描件的定义就是这样——Adobe 官方帮助把扫描件定义为文字图像，只有 OCR 能把它变成可编辑文字）。提取返回的是：
已提取 2 页文字（共 0 B）。2 页没有可提取文字——可能是扫描件。
本工具不做 OCR；截图识字请使用 AI 图片文字提取工具。每张页卡显示「本页没有可提取的文字（可能是扫描件或照片）。」，复制按钮保持禁用。这是正确的行为：不做 OCR 的工具就该如实说明，而不是瞎猜。如果你的 PDF 出现这种空页，反复重试提取毫无用处——直接走下面的 OCR 流程。
情况三：混合文件——逐页判断
mixed.pdf 是文字页夹一页扫描件：第 1 页（英文封面，提取 197 字符）、第 2 页（收据照片，无可提取文字）、第 3 页（中文说明，提取 91 字符）。工具汇总为「已提取 3 页文字（共 288 B）。1 页没有可提取文字——可能是扫描件。」
这是现实中最常见的形态：合同夹一页扫描签字页、报告附一张拍照的附录。提取结果本身就会告诉你哪些页需要 OCR，不用猜。处理方式是逐页：先整体提取，记下空页页码，再只对那些页做 OCR。
逐页 OCR 路线（端到端实测）
YYSI 没有一键整份 OCR，我们也不会假装有。当前可行的流程是逐页处理，我们对 mixed.pdf 的第 2 页和 scan-no-text.pdf 的第 2 页做了完整实测：
- 把扫描页渲染成图片. 打开 PDF 转图片，添加 PDF，在页码里只填扫描页（我们填
2），保持 PNG 和 高（144 dpi），点开始渲染。mixed.pdf 第 2 页得到第 2 页 · 1191×1684 像素 · 235 KB（磁盘实际 240,895 字节）。 - 对这一张图做 OCR. 打开 图片文字提取，登录后添加 PNG。发送前浏览器会把长边压到 1600 像素以内（我们的是
1132×1600 像素 · 36 KB），输出语言保持「与图中文字相同」，点运行——消耗全站 3 次免费试用中的 1 次。 - 校对、修正、再复制. 识别结果出现在可编辑文本框里。逐个数字与原图核对，改掉 OCR 认错的字符，再复制。结果保留 24 小时，之后不可读取。
| OCR 输入（144 dpi 渲染） | AI 结果 | 消耗 |
|---|---|---|
| 收据照片（1191×1684 → 1132×1600 像素） | 5 行全部精确：Brake pads 1 x 38.00 38.00、Labour 1 x 45.00 45.00、Total 83.00… | 1 次试用（3 → 2） |
| 中文通知（1191×1684 → 1132×1600 像素） | 7 行全部精确：日期：2026年10月3日、押金已收到：1,200.00 元、下次保养里程：10,000 公里。 | 1 次试用（2 → 1） |
两次生产调用都在几秒内一次成功、无重试。干净、字号合适的印刷体（我们的样例正文缩放后约 27 像素高）OCR 效果好；模糊、过小或手写文字会明显变差，认不出的字符会标注 [?] 而不是瞎猜。
加密与损坏的文件要另走一条路
这类问题与提取设置无关——文件本身就拒绝打开。我们用可下载的样例验证了两条报错路径：
| 文件 | 英文提示 | 中文提示 |
|---|---|---|
encrypted-demo.pdf（密码：yysi-demo） | This PDF is password-protected and cannot be read here. | 该 PDF 已加密，无法在此读取。 |
| corrupt-demo.pdf（故意截断） | This file is not a readable PDF (it may be damaged). | 该文件不是可读取的 PDF（可能已损坏）。 |
加密文件请向发送方要密码或未加密副本——不要尝试用在线工具破解不属于你的文件。损坏文件请重新获取完整副本；残缺的文件不会自己变完整。如果只是想先拆分或重排一份能打开的 PDF，整理 PDF 处理页面，合并 PDF 合并文件。
已知限制与失败处理
- PDF 工具一次读一个文件，最大 50 MB、100 页；全部在浏览器本地完成，文件不上传。
- 提取遵循 PDF 内部文字布局：双栏会交错（见上文）、表格丢列边界、换行出现在文件放置的位置而不是人类认为的位置。
- PDF 提取文字不做 OCR——如实报告扫描空页是设计行为，不是缺陷。
- 图片文字提取：每次一张图，最大 10 MB，长边压到 1600 像素以内（过小字号的精度会受影响）；复杂表格与多页扫描不在支持范围；结果 24 小时后失效。
- AI 任务每次消耗全站 3 次免费试用中的 1 次（永不重置）；浏览器版 PDF 工具完全无需账号。
- 字体编码问题：少数特殊编码的文字层可能提取出乱码。如果版式正常但文字是乱码，最实际的兜底就是把页面渲染成图再 OCR——与扫描件同一条路线。
用我们的样例试一遍
下面是我们实测用的全部原始材料（YYSI 制作的合成文件；加密演示的密码是故意公开的）。expected-* 是「应该有的内容」，extracted-* 与 ocr-result-* 是当时真实运行的输出，方便你逐字对照自己的结果。
- report-text.pdf —— 情况一：文字层，双栏+表格+中文 — 下载样例 · 51933 字节
- scan-no-text.pdf —— 情况二：纯扫描，无文字层 — 下载样例 · 206333 字节
- mixed.pdf —— 情况三：文字页夹一页扫描页 — 下载样例 · 118361 字节
- encrypted-demo.pdf —— 加密报错演示（密码：yysi-demo） — 下载样例 · 17557 字节
- corrupt-demo.pdf —— 损坏文件报错演示 — 下载样例 · 9271 字节
- expected-report-text.txt —— report-text.pdf 应有的内容 — 下载样例 · 1580 字节
- expected-scan-text.txt —— 扫描页上显示的文字（只有 OCR 能取回） — 下载样例 · 701 字节
- expected-mixed-text.txt —— mixed.pdf 应有的内容 — 下载样例 · 845 字节
- extracted-report-text.txt —— PDF 提取文字的真实输出（1,356 字节） — 下载样例 · 1356 字节
- extracted-mixed.txt —— PDF 提取文字的真实输出（502 字节） — 下载样例 · 502 字节
- ocr-input-mixed-p2.png —— 我们 OCR 用的收据页渲染图（240,895 字节） — 下载样例 · 240895 字节
- ocr-input-scan-p2.png —— 中文通知页渲染图（270,343 字节） — 下载样例 · 270343 字节
- ocr-result-mixed-p2.txt —— 收据页的 AI 转写真实输出 — 下载样例 · 110 字节
- ocr-result-scan-p2.txt —— 中文通知页的 AI 转写真实输出 — 下载样例 · 194 字节
每个下载链接旁附 SHA-256，可核对拿到的文件与我们实测的完全一致。能力描述以文中链接的工具页为准（核查日期 2026-11-11）；「扫描件是文字图像」的表述依据 Adobe 官方帮助页。
来源与核查
- YYSI PDF to text — capabilities, limits and honest scanned-page behavior observed in engine source (pdf-to-text.js) and live pages — 来源核查日期 2026-11-11
- YYSI Image to text — single-image AI transcription limits, 1600 px downscale, [?] convention, 24 h retention; live page + engine source — 来源核查日期 2026-11-11
- YYSI PDF to images — page ranges, PNG/JPG, 72/144/216 dpi scales, per-page 8 MP cap; live page + engine source — 来源核查日期 2026-11-11
- Adobe Help Center: a scanned PDF is an image of text; OCR converts it to selectable, editable text (official definition used for the scan/OCR distinction) — 来源核查日期 2026-11-11
来源核查日期 Every number, quote and output below comes from YYSI's own runs on 2026-11-11: local Chromium (Windows 11) against the workspace build whose asset hashes match the live pages, plus two production image-to-text tasks on a standard test account (task ids t_787d4a1d7fbbbcbcec89786f, t_67ff14e50b63d0fba9fb8301; trials 3→1, no account or ledger changes). The Adobe link is the only external claim; all samples are YYSI-made synthetic files published for download.
阅读编辑标准（EN），或发送纠错到 [email protected]。