把 PDF 里的字提出来，纯文字的报告一般很顺，但一遇到双栏论文、带表格的财报、多栏杂志，结果就乱成一团：左右栏串行、表格数字挤作一堆、脚注插进正文中间。很多人以为是工具坏了——其实是 PDF 这个格式的根本特性：它不存”阅读顺序”。理解提取器是怎么”猜”顺序的，就知道什么能提干净、什么注定会乱。
核心真相：PDF 不知道该”先读哪”
PDF 存的是**“每个字画在页面的哪个坐标”，不是”这些字按什么顺序读”。一个字块记录的是：内容、字号、(x, y) 位置。至于”先读左栏还是先读右栏""这行属于正文还是脚注”,PDF 里没有这个信息**。
所以任何提取器都只能靠坐标猜顺序。本工具的猜法（也是业界通用套路）：
- 把所有字块按 Y 坐标从上到下排
- Y 坐标相近的算作同一行（容差约半个字高）
- 同一行内按 X 从左到右排，间距大就补空格
- 连续、字号相同、行距接近的行合并成段落
这套逻辑对单栏、从上到下顺读的文档完美。一旦版面不是”单栏顺读”，就出问题。
为什么双栏会串行
双栏页面的致命点在第 2 步——左栏和右栏的行在同一高度：
实际版面 提取器看到的"行"
┌─────────┬─────────┐
│ 左栏第1行│ 右栏第1行│ ← 同一 Y → "左栏第1行 右栏第1行"
│ 左栏第2行│ 右栏第2行│ ← 同一 Y → "左栏第2行 右栏第2行"
│ 左栏第3行│ 右栏第3行│ ← 同一 Y → "左栏第3行 右栏第3行"
└─────────┴─────────┘
你想要的顺序：左栏1→2→3，然后右栏1→2→3
实际得到的： 左1 右1 / 左2 右2 / 左3 右3（交替串行）提取器没有”栏”的概念，只有”高度”。左右栏同高 → 被拼成一行。
应对：
- 先用 PDF 拆分 / 裁剪把左右两栏切成两个独立的单栏页面，分别提取，再拼接
- 或提取后手工按栏重排（短文可行，长文太累）
- 需要经常处理多栏 → 用专门做版面分析（layout analysis）的工具
为什么表格会挤成一团
表格在 PDF 里通常是**“定位在网格坐标上的一堆文字 + 画上去的线条”**，没有”第几行第几列”的语义。提取器把同一高度的单元格拼成一行、单元格间用空格隔开：
原表格：
┌──────┬──────┬──────┐
│ 项目 │ 2025 │ 2026 │
│ 收入 │ 100 │ 120 │
│ 成本 │ 60 │ 70 │
└──────┴──────┴──────┘
提取结果（大致）：
项目 2025 2026
收入 100 120
成本 60 70看着还行？现实里的表格经常有：合并单元格、跨行文字、右对齐数字、空单元格——这些一进坐标分组就错位，数字对不上列。而且中文单元格之间不补空格（见下节），会直接粘成”收入100120”。
应对：本工具输出的是纯文本段落，不重建表格。要结构化表格：
- Acrobat “导出为 Excel / 表格”
- 表格专用 OCR / 版面识别工具
- 本工具只适合提正文段落，不适合提表格
空格是”猜”出来的：中英文差异
PDF 存字时未必存空格。提取器靠相邻字块的横向间距判断补不补空格：间距 > 约 0.3 字宽就补一个。
- 英文：靠这个补词间空格。间距估偏 →
helloworld（该补没补）或hel lo（不该补补了） - 中文（CJK）：字与字之间不补空格——否则”你好世界”会变成”你 好 世 界”。所以中文通常整齐，英文偶尔粘连
英文粘连多因原 PDF 字距排版特殊，提取后用查找替换修一遍即可。
Markdown 标题是”按字号猜”的
选 Markdown 模式时，工具会自动加 # 标题——但它不认识”标题”，只看字号比例：
| 字号 ÷ 正文字号 | 判定 | 附加条件 |
|---|---|---|
| ≥ 1.6 | # | 该行 < 80 字 |
| ≥ 1.3 | ## | 该行 < 80 字 |
| ≥ 1.1 | ### | 且为单行 |
正文基准 = 全篇最常见的字号。于是：
- 字号没拉开的标题（正文 12pt、标题 13pt）→ 识别不出
- 只加粗不放大的标题 → 识别不出（只看字号不看粗细）
- 一整行大字的正文（比如大标语）→ 可能误判成标题
应对：标题层级不规整的文档，直接用纯文字 TXT 模式，自己补层级反而省心。
什么能提干净，什么注定会乱
| 文档类型 | 提取效果 | 建议 |
|---|---|---|
| 单栏纯文字报告 | ✅ 很好 | 直接提，Markdown 模式 |
| 有文字层的书籍正文 | ✅ 好 | Markdown，标题看情况 |
| 双栏 / 多栏论文杂志 | ❌ 串行 | 先拆栏或换版面工具 |
| 带表格的财报 / 清单 | ❌ 错位 | 换表格导出工具 |
| 扫描件 / 图片版 | ⛔ 空白 | 先 OCR |
| 大量公式 / 特殊符号 | ⚠ 丢失变形 | 手工核对 |
提取前先做的判断
它有文字层吗？ 在 PDF 阅读器里试着用鼠标选中一段文字：
- 能选中、能高亮 → 有文字层，本工具可提
- 选不中、整页像一张图 → 图片版，先 OCR
它是单栏吗？ 是 → 放心提；多栏 / 表格 → 先拆或换工具。
一句话总结
PDF 不存阅读顺序，提取器只能按坐标”先上后下、先左后右”猜——所以单栏纯文字提得很干净，双栏会左右串行、表格会挤成一团、扫描件直接空白；本工具只读文字层不 OCR、不分栏、不重建表格，适合提正文段落；多栏先拆栏、表格换导出工具、扫描件先 OCR。