PDF 转 txt 为什么排版会乱

先说结论 结论：PDF 没有段落概念，只有坐标。文本提取工具需要重建分行与空格，复杂排版（多栏、公式、竖排）必然有偏差。按页分段提取能显著改善。

PDF 里其实没有"行"

一份 PDF 的内容流是一串绘图指令，大意是"在坐标 (72, 700) 处用这个字体画这几个字"。没有段落标记、没有换行符、没有"这里是一段"的概念。

你在阅读器里看到的整齐排版，是阅读器根据坐标渲染出来的视觉效果，而不是文档里存着的结构信息。

既然没有结构，提取就必须重建：把同一基线上的文字碎片按横坐标排序，把纵坐标相近的碎片归为一行，再根据字符间距判断该不该补空格，最后按行序输出。

这个重建过程对规则排版的文档效果很好，对下列情况会失准：双栏排版（两栏基线接近，容易串行）、公式（坐标跳跃）、竖排文字、带大量艺术字的封面。

如果文档是扫描件，根本提取不出内容，应该走 OCR。如果目的是保留排版用于打印或展示，应该转成图片而不是 txt。文本提取的定位始终是"拿到可复制的内容"，不是"还原版式"。

提取出来之后，大部分排版问题都能用编辑器里的查找替换快速修掉。下面这几条在大多数编辑器（VS Code、Sublime、记事本++、Word）里都适用。

另一条实用经验：先把整篇粘进纯文本编辑器（如 VS Code），而不是直接粘进 Word。Word 会自动纠正、自动套用格式，反而会把问题藏起来；纯文本编辑器的结果最接近内容的真实状态，处理干净之后再粘进 Word 排版。

双栏是文本提取最容易串行的排版。原因是左右两栏的文字基线高度非常接近，按 Y 坐标聚行时会被判定为同一行，于是左栏的句子和右栏的句子交替出现，读起来完全不通。

处理办法有两个。一是先用拆分工具把页面按左右分开（前提是文档里两栏是独立的文本框，很多学报的排版确实如此），再分别提取。二是接受串行结果，把内容粘进表格工具后手动按列拆分——工作量大但一定能做对。

最简单的判断方法：看提取结果的第一段。如果读起来像是两句话交替拼接，就是串行了。早发现比晚发现好，避免在错误结果上继续加工。

扫描件里的文字选不中、搜不到，本质是因为它只是一张图。这里做的是真正的文字识别：把图上的字读出来，重排成可以继续编辑的 Word。

扫描的对账单、报价单、成绩表，最难的不是看，而是把数字重新敲进表格。这里识别出表格结构，直接给你一份 .xlsx。

要发到公众号、贴进 PPT、还是做打印稿？按需要选 DPI，页面直接渲染成图，一张张下载或者一次打包。

只想把第 3 到第 8 页发出去？按页拆、按份数拆、或者每页一个文件，拆完打成一个 ZIP 一次下载。