PDF 提取可选文字为 TXT / 轻量 Markdown
文字提取 vs OCR
这两件事经常被混为一谈，必须明确区分：
| 对比项 | 文字提取 | OCR |
|---|---|---|
| 前提 | PDF 里有可选文字层 | PDF 只有栅格图（扫描版） |
| 速度 | 快（直接读 PDF 内部结构） | 慢（每张图跑识别算法） |
| 精度 | 高（PDF 里的文字是"真"的） | 取决于扫描质量和识别引擎 |
| ZenConverter 支持 | ✅ | ❌ |
ZenConverter 的 PDF 文字提取路线只处理有文字层的 PDF。如果你有扫描版 PDF（比如老书扫描件），这条路线会直接失败——因为扫描版 PDF 本质上就是一张大图，没有文字层可以提取。
两种输出
| 输出 | 格式 | 说明 |
|---|---|---|
| TXT | 纯文本 | 每页文字直接拼接，无格式 |
| Markdown | .md | 文档标题 + 每页标题（## 第 N 页）+ 该页提取的文字 |
Markdown 输出的格式：
# 文档标题
## 第 1 页
从 PDF 里提取的第 1 页文字……
## 第 2 页
从 PDF 里提取的第 2 页文字……如果 PDF 没有文档标题（元数据缺失），第一行 # 文档标题 会被省略。
已知边界
- 不做排版还原：Markdown 输出只是轻量的——PDF 里的表格、列表、脚注、代码块、多列排版都会被"拍扁"成纯文本流。如果 PDF 里有两栏，Markdown 输出可能会把两栏文字混在一起；
- 扫描版 PDF 会失败：扫描版 PDF 没有文字层，PDFBox-Android 提取不到任何东西，任务直接失败；
- 加密 PDF 需要先解密：提取文字需要能正常打开 PDF，加密版要先走 PDF 解密路线；
- 复杂 PDF 可能丢文字：某些 PDF 的文字层编码方式特殊（比如 CID 字体、自定义编码映射），PDFBox-Android 可能提取失败或得到乱码。这种情况会明确报错。
PDF → 图片路线（反向）
ZenConverter 的 PDF 路线还有一个反向选项：PDF → 图片（把 PDF 每页栅格化成 JPG/PNG/WEBP）。这条路线走 Android PdfRenderer，不是 PDFBox-Android，所以：
- 不依赖 PDF 有没有文字层——栅格化不关心这个；
- 栅格化后的图片可以再走图片互转、AI 超分等路线；
- 但栅格化是有损操作——栅格化后的图无法再恢复成有文字层的 PDF。
使用场景
| 场景 | 推荐输出 |
|---|---|
| 从技术文档 PDF 里提取文字做笔记 | Markdown（保留页分隔） |
| 从 PDF 合同里快速搜关键词 | TXT（全文字拼接，Ctrl+F 搜） |
| 扫描版老书想提取文字 | 不在 ZenConverter 能力范围内，用 OCR 工具 |
| 从 PDF 论文里批量复制段落 | Markdown（每页有标题，方便引用） |
相关页面
- PDF 合并与智能压缩 —— PDF 路线总览
- PDF 密码加解密 —— 加密 PDF 先解密再提取
- Office OOXML 本地转 PDF —— Office 转换后可以提取文字
