PDF → TXT

PDF 是什么

PDF 是 Adobe 提出的固定版式文档格式，它记录的是「在页面某个坐标上画什么」，而不是「这段文字属于哪一段」。因此无论在什么设备上打开，版面都完全一致，适合排版要求严格的场景（合同、论文、扫描件）。代价是它天生不适合重排：正文的换行往往只是视觉换行，抽取出来的文字可能带硬回车、分栏顺序错乱，扫描版更是只有图片、没有文字层。

TXT 是什么

TXT 是纯文本格式，文件里只有字符本身，没有任何字体、字号、颜色、图片或分页信息 —— 换行符是唯一的「结构」。中文网络小说绝大多数以 TXT 流传，原因就是它体积小、任何设备都能打开、易于复制与增量更新。代价是它不携带章节结构、没有封面与元数据，而且编码（UTF-8 / GBK / UTF-16）不一致时会出现乱码，这是 TXT 最常见的两个问题。

PDF 转 TXT 需要注意什么

先从源格式抽出内容时

PDF 里的换行多半是「视觉换行」而不是段落结束：一个段落可能被切成 5 行、每行都是独立文本块。直接抽取会得到一堆硬回车，需要按行尾是否完整句子、行宽是否接近页宽来重新合并段落。扫描版 PDF 更是完全没有文字层，抽取结果为空白，必须先做 OCR。

写进目标格式时

TXT 只能保存字符：所有图片、字体、字号、颜色、表格、脚注、超链接都会消失，章节标题降级为普通文字行。转换时还要选定编码（中文建议 UTF-8，老设备可能要求 GBK），编码选错会直接变成乱码。

两端格式交互带来的坑

• 版式要「打散重建」：PDF的段落、分栏、图表位置是为固定页面排的，转成可重排格式后这些位置信息没有意义，转换器只能按文字流重新拼接。结果是段落可能被并错、分栏可能串行、图表会跑到文字中间。转换后务必通读前几章，重点看对话分段和图表附近。
• 源是「一页一张整图」，而目标会重排：每张图会作为独立图片按顺序插入，文字层若不存在就只剩图片流。这种情况下转出的文件往往体积巨大、无法搜索，阅读体验反而比原格式差。
• 源文件里的书名、作者、出版社、语言、封面等元数据在目标格式中无处存放，会全部丢失。若你之后要把转出的文件放回书库，需要靠文件名自己记住这些信息。
• 源文件没有章节概念（漫画按页、PDF 按页），而目标期望有目录。转换器只能按页或按固定长度机械切分，得到的目录没有语义 —— 如果不需要导航可以忽略，但不要指望它能自动识别出「章」。
• 涉及 TXT 就要盯住编码：中文 TXT 常见 UTF-8、GBK、GB18030、BIG5，还有带 BOM 与不带 BOM 的区别。写入时选 UTF-8（不带 BOM）兼容性最好；写入 GBK 是为了兼容老设备。编码选错的表现是整篇乱码，而不是报错。
• 换行符也要统一：Windows 用 CRLF、Unix 用 LF，Mac 老文本曾用 CR。混用会导致某些阅读器把所有文字显示成一行。转换后若发现「整本书挤成一段」，先查换行符。

转换后自检清单

1. 先用前 3 章试转，确认没有丢字、串行或错位，再整本转换。
2. 检查章节切分：目录条目数应与实际章数一致。
3. 随机翻 5 处，搜索书中一个人名，确认文本可被完整检索。
4. 确认编码与换行符：用 UTF-8（无 BOM），换行统一为 LF 或 CRLF。

小说转换的特殊之处

小说是最常见、也最特殊的一类电子书：几百上千章、几乎没有图表、常常只有一份 TXT 源文件，中文源还经常带防盗乱码。下面几点是最容易踩、也最影响阅读体验的。

• 长篇小说动辄数百上千章，目录质量直接决定这本书能不能用。转换前先把章标题统一成一种可识别的写法（例如都写成「第X章 标题」并独占一行），否则目标格式里的目录会缺章、串章，甚至整本只剩一章。
• 中文网络小说的 TXT 常见三种「乱码」，处理方式完全不同：① 编码不符（把 UTF-8 当 GBK 读）—— 换对编码即可恢复；② 防盗乱码（作者故意替换了部分字符）—— 无法还原，只能换源；③ 全角半角混排或生僻字缺字 —— 属于字体问题。转换前先判断是哪一种，别把第三类当成第一类反复转码。
• 小说的封面、人物插图和卷首图都会丢失，书库里会显示成一张空白封面。长篇连载尤其常见「每卷一张卷首图」，转换后那个位置只剩一个空行。
• 分卷信息（「第一卷」「第二卷」）在多数转换里会被降级成普通标题，卷与章的层级关系随之丢失。如果你在意层级，转换后到编辑器里把卷标题提升一级，别让它和章标题平级。

PDF 转 TXT 的工具

下面这些工具都能完成这个方向的转换，按你的操作系统和文件数量挑一个即可。动手前建议先看上一节的注意事项 —— 顺序错了（比如该先 OCR 却直接转）往往要重来一遍。

常见问题

相关格式转换