扫描的PDF读不出文字、pdftotext输出为空时：用pdftoppm转成图片让AI读取的5个步骤

早上好，我是まさきん。

孩子去体验兴趣班时拿回来一张传单，我用手机扫描之后想让AI读一下。结果从PDF里一个字都取不出来。我想只要是把家里的纸质资料数字化的人，迟早都会碰上一次，所以把分辨方法和应对办法记下来。

※本文为发布时的信息，最新条件请以官方网站为准。

扫描的PDF取不出文字

我用的是 Adobe Scan。把兴趣班的传单拍下来，保存成了PDF。打开一看，外观很干净，文字看起来也能选中。

我把这个PDF交给了一个叫 pdftotext 的命令处理。它是只从PDF里提取文字的工具。结果是空的，能用的文字一行都没出来。

于是我把页面转成图片交给AI，内容很正常地读出来了。

需要说明的是，这只是我那一张传单的情况，并不是想说App有缺陷。请把它当作“扫描App生成的PDF有可能发生这种事”的整理来读。

PDF有“看得见的层”和“文字的层”

扫描出来的PDF，底子是给纸拍的照片。在它上面，OCR识别出的文字作为透明的一层叠加上去。OCR就是把图片里的文字变成数据的处理。

屏幕上看到的是照片那一层，搜索和复制时用到的是透明的文字层。所以即使外观很干净，文字层也可能用不了。

把PDF交给AI时，也和这两层有关。如果用的是只读文字层的工具，层是空的话就什么也传达不过去。我认为这就是这次绊倒的真正原因。

分辨症状的3种方法

按不是工程师也能确认的顺序排列。

1. 打开PDF拖选文字。选不中，或者粘贴出来是乱码
2. 运行 pdftotext。输出是空的，或者只有换页符号
3. 运行 pdffonts。一行字体都不显示

第1种只用App就能试，复制之后贴到记事本里就行。这一步如果是空的或乱码，文字层也许就不要指望了。

可以想到的3种原因

我并没有查明自己那张传单属于哪一种。所以这里是作为一般情况的整理。

第3种需要稍微补充一下。pdffonts 的官方手册里有对 uni 这一列的说明：如果PDF里有名为 ToUnicode 的对应表，这一列就是 yes。

不过，手册里也有一条注意事项，大意是即使没有对应表，也不一定就不能转换成文字。所以 uni 是 no 也不代表立刻出局。把它当作线索之一来看比较好。

pdftotext 的手册里，BUGS一栏也写着类似的内容：有些PDF包含编码损坏的字体，这种情况下除了OCR之外没有别的办法提取文字。大意如此。看来工具这一方也承认“有取不出来的PDF”。

poppler 的安装方法

pdftotext 和 pdftoppm 都包含在一个叫 poppler 的软件里。它是处理PDF的经典免费工具。

Windows 稍微麻烦一些。poppler 官方网站发布的是源代码，各个系统用的则是由各发行方提供的软件包。换作是我，会用 WSL 装上 Ubuntu，然后在里面用 apt。

有没有装好，可以用下面的命令确认。

pdftotext -v

显示出版本号就可以了。

应对的步骤

流程分5个阶段。我想到第4步为止，大部分的纸都能处理完。

步骤1：用 pdftotext 确认是不是空的

先看文字层能不能用。文件名这里以 flyer.pdf 为例。

pdftotext -layout flyer.pdf flyer.txt
wc -c flyer.txt

-layout 是尽量保持原来版面布局的选项。像传单这种分栏多的纸，加上它会更好读。wc -c 只是统计文件大小的命令。

如果数字是0或个位数，文字就没有取出来。我的传单在这一步就是空的。反过来，如果能正常输出文章，就可以直接用，不需要转成图片。

要限定页数的话，用 -f 和 -l，也就是起始页和结束页的页码。

pdftotext -f 1 -l 2 -layout flyer.pdf -

最后的 - 表示不写入文件，而是输出到屏幕上。

步骤2：用 pdffonts 和 pdfimages 看里面的内容

这一步省略也没关系。不过因为能对原因有个大致判断，我是倾向于做一下的那一派。

pdffonts flyer.pdf
pdfimages -list flyer.pdf

pdffonts 会列出PDF里的字体。如果只输出了表头那一行，基本可以认为没有文字层。pdfimages -list 会列出里面的图片。如果每一页各有一张大图，那就是扫描得来的PDF了。

步骤3：用 pdftoppm 把页面转成图片

如果取不出文字，就转成每页一张的图片。

pdftoppm -r 200 -png flyer.pdf page

这样就会生成 page-1.png、page-2.png 这样的文件。-r 是分辨率，单位是dpi，不指定的话是150。不加 -png 的话会输出成PPM这种不好处理的格式，所以这里最好不要忘。

只想要1页的时候这样做。

pdftoppm -r 200 -png -f 1 -l 1 -singlefile flyer.pdf flyer

加上 -singlefile，就只会生成一张不带编号的 flyer.png。

步骤4：以图片的形式交给AI

把生成的PNG直接添加到AI的聊天里。就我的情况来说，这样就读出了内容。

请求的写法越具体，结果越稳定。比如这样的内容。

附件是扫描传单得到的图片。
请把日期时间、地点、携带物品、费用、报名截止日期整理成表格。
读不出来的地方不要推测，请写“无法辨认”。

我认为最后一行很重要。因为AI有时会把读不出来的字像模像样地补上。

直接交PDF不行吗

并不是不行。Claude 面向开发者的文档里，写着把PDF的每一页转换成图片的处理。它的机制是把从页面提取的文字和图片两者一起传过去。Gemini 的文档里，也有把PDF作为图片来理解的说明。

所以，把PDF直接放进App里，很多时候应该也能读出来。会出问题的，是走上了只使用文字提取的那条路径的时候。比如用自己写的脚本只把 pdftotext 的结果传过去，就属于这种情况。

页数多的PDF也需要注意。Claude 的帮助页面上写着，页数多的时候会变成只处理文字。拿不准的时候就转成图片再交，把这个定为默认做法，应该会比较安心吧。

我想今后让AI读家庭开支相关纸张的场面还会越来越多。对比价目表这件事，在重新审视通信费的时候也是一样的。

步骤5：有需要的话用OCRmyPDF重新加上文字层

想把PDF本身以可搜索的形式保存下来。这种时候，有重新加上文字层的方法，就是一个叫 OCRmyPDF 的免费工具。

根据官方文档，它是给扫描图片的PDF加上文字层、使其可以搜索的工具。OCR的核心用的是名为 Tesseract 的引擎。

brew install ocrmypdf
brew install tesseract-lang
ocrmypdf -l jpn --redo-ocr flyer.pdf flyer-ocr.pdf

-l jpn 是指定按日语来识别。不指定的话会当作英语处理。日语的纸如果忘了这一点，我想结果会乱得相当厉害。在 Ubuntu 上，语言数据要通过 tesseract-ocr-jpn 这样的独立软件包安装。

--redo-ocr 是把其他软件加上的OCR重做一遍的选项。如果不顺利，还有 --force-ocr。不过后者会把所有页面重新做成图片。官方也写着画质有可能下降。

话虽如此，精度是有限的。文档自己也写着有时比不上商用的OCR。如果只是读一张传单，把图片交给AI大概更快。

分辨率的参考值

-r 的数字设成多少，要看交给谁来变。按A4纸计算是这样的。

并不是越大越好。Claude 的文档里写着，超过上限的图片会在处理之前被缩小。Gemini 也说明，大的页面会被缩小到最大3072 × 3072。调得太高也只是被丢掉而已。

另一方面，Tesseract 的官方文档说，它在300dpi以上的图片上工作得比较好。所以我的参考值有2个：给AI用150〜200，给OCR用300。

小字读不出来的时候，比起提高分辨率，裁剪出来也许更有效。也就是只把价目表那部分做成另一张图片再交过去。

数字一定要对照原件确认

就算用图片读出来了，数字也不一定是对的。

同一天，我还把体验说明会的录音转成了文字。这边出现了金额听错的情况。我只把相关的部分截出来，用精度更高的模型重做之后才确定下来。经过写在Whisper把金额数字弄错的那件事里。

不管是纸还是声音，AI给出的数字都只是草稿。像月费、报名截止日期这样的数字，最后要和纸质原件对照一下。我觉得只有这一步最好不要省。

交出含有个人信息的纸张时的注意事项

学校和兴趣班的纸上，有时会印着姓名和联系方式。在交给AI之前，希望能稍微停一下。

转成图片的好处在这里也有体现。保持PDF的话，要遮住一部分很麻烦。图片的话，用手机的相册App裁剪一下就行了。

还有一点。PDF里有时会带着创建时间、App名称等信息。转成图片之后这些就没有了，所以从减少交出去的信息这个意义上说，我感觉也不坏。

扫描时的小窍门

让后续工序变轻松的，归根结底还是拍法。这里把一般常说的几点列出来。

• 在明亮的地方拍，不要让影子落在纸上
• 把纸放平，从正上方拍
• 折痕和翘起的地方先展平再拍
• 双面的纸别忘了把背面也拍下来
• 确认App里文字识别的语言

最后一项我是在 Adobe Scan 的官方帮助里确认的。文字识别默认是开启的。在偏好设置的“对已保存的 PDF 运行文本识别”里也可以关掉。

据说识别的语言默认是设备的语言，可以在偏好设置的“文本识别语言”里更改。支持的语言里也包括日语。把设备设成英语来用的人，把这里改成日语也许比较好。

帮助里还写着，页数多的扫描不会执行OCR。上限似乎免费版和付费版不一样。一次拍几十页的人，请看一下官方最新的记载。

常见的失误与陷阱

凭外观来判断。 就算在屏幕上读得很清楚，文字层也不一定能用。试一次复制粘贴就知道了。

忘了加 -png。 pdftoppm 默认输出的是PPM格式。很多时候没法添加到AI的聊天里，所以要指定PNG或JPEG。

分辨率调得太高。 用600dpi输出的话文件会变大，要么碰到上传的上限，要么最后还是被缩小。

不指定OCR的语言。 OCRmyPDF 没有指定的话会当作英语来读。日语的纸需要 -l jpn。

把AI读出来的内容直接记进日程。 日期和金额先和原件对照之后再登记比较安全。把通知单变成日程的流程，写在把学校通知单登记到日历和提醒事项的机制里。

• 是否试过复制PDF里的文字，看能不能正确粘贴到记事本里
• 是否确认了 pdftotext 的输出是不是空的
• 是否给 pdftoppm 加上了 -png 和 -r 的指定
• 要交出去的图片里，有没有拍进姓名、联系方式等个人信息
• 是否把金额和日期与纸质原件对照过

常见问题

Q. 为什么扫描的PDF读不出文字？

可以认为是没有文字层，或者有但处于用不了的状态。有代表性的是3种：只有图片的PDF、OCR的误识别，以及没有字符编码对应关系的情况。属于哪一种，用 pdftotext 和 pdffonts 可以在一定程度上判断出来。

Q. 为什么 pdftotext 输出为空却不报错？

因为没有文字层的PDF并不是损坏了。没有可提取的文字，所以正常地返回了空的结果。正因为不报错，在自动处理里就不容易发现。

Q. 有没有不用命令就能解决的办法？

有。把打开PDF的画面截个图，那就是图片了。用手机的话，我觉得把原来的照片直接交给AI也是个办法。只有张数多的时候，用命令才会更省事。

Q. PNG和JPEG哪个好？

以文字为主的纸，用PNG比较稳妥。JPEG因为压缩，文字边缘有时会发虚。不过文件太大的时候，换成 -jpeg 会轻一些。

Q. 用 PyMuPDF 等别的工具可以吗？

没问题。我在练习题的批量扫描与分拣里就是用 PyMuPDF 转成图片的。做的事情是一样的，只是把页面变成图片。我觉得用手边现有的工具就足够了。

Q. OCRmyPDF 是一定要用的吗？

不是。如果只是让AI读内容，图片就够了。它是在想把PDF保存下来、以后再搜索这种目的下的一个选项。

Q. 手写的文字也能读吗？

如果是AI的图片识别，很多时候是能读的。不过字迹潦草或者很淡的铅笔字，误读会变多。像 Tesseract 这样的传统OCR，一般认为不擅长手写。

Q. 只用手机就能搞定吗？

可以。从扫描App里以图片（JPEG）导出，再交给AI的App，就是一样的效果。需要做成PDF的，也许只有想把多页合成一个文件的时候。

参考的官方信息

• poppler 官方网站
• pdftotext 手册（Debian manpages）
• pdftoppm 手册（Debian manpages）
• pdffonts 手册（Debian manpages）
• pdfimages 手册（Debian manpages）
• poppler（Homebrew Formulae）
• Adobe Scan 的设置（Adobe 官方帮助）
• OCRmyPDF Introduction
• OCRmyPDF Cookbook
• OCRmyPDF 添加语言包
• Tesseract: Improving the quality of the output
• Claude PDF support（Claude Docs）
• Claude Vision（Claude Docs）
• Uploading files to Claude（Claude 帮助中心）
• Gemini API Document understanding

总结

扫描出来的PDF，外观和文字层是两回事。pdftotext 是空的话，不用纠结，直接用 pdftoppm 转成图片。在我这里这样就读出来了。查明原因往后放一放，我想也不会有什么困扰。

纸上的信息变成数据之后，对比起来就轻松了。兴趣班的月费也好，手机的资费也好，都是一样的。只要把数字摆在一起看，做判断就会轻松不少吧。

本文包含联盟营销广告。如果您通过本站链接申请相关商品或服务，我们可能会从合作企业获得报酬。此外，运营者是乐天集团的员工，也可能通过员工推荐计划获得报酬。文章内容与评价均基于运营者的真实体验与调查完成，与是否存在广告无关，但请您在阅读前了解上述关系。详情请参阅免责声明与联盟营销说明。 免责声明与联盟营销说明

本文包含机器翻译内容。正式条件请以乐天移动官方网站的多语言页面为准。

如果您对乐天移动的通信区域·信号状况有疑问，可以通过官方的 电波改善调查申请表 进行咨询。