PDF 文字复制出来是乱码怎么办
简答: 显示文字和复制文字用的是 PDF 里不同的信息。页面画出的字形是对的,但从字形到字符的对应表缺失或错误,复制、搜索和提取得到的就是别的字符。先换个阅读器试;所有阅读器都一样乱,就要原文件或对这些页做 OCR。
原因
PDF 里每段文字都存着两样东西:
- 画哪些字形(字体里的字形)——你看到的就是它。
- 这些字形代表哪些字符(字符映射,常见的是一张叫 ToUnicode 的对应表)——复制、搜索、读屏软件和文字提取用的是它。
第二样缺失或出错时,页面看起来完全正常,复制出来却是别的字符。下方列出的 PDF Association 文章讲的也是这种分离:字体能找到正确的字形,字符查找却失败了。
三个快速检查
选一行同时有文字、数字和标点的短句,每个检查都用它。
- 粘贴到记事本(或纯文本模式的文本编辑),不要先贴到 Word。记事本正常、Word 不正常,问题可能在 Word 的粘贴格式或字体:在 Word 里改用“只保留文本”粘贴,再检查字体。这一结果不能单独排除 PDF 的映射或复制输出有问题。
- 换一个阅读器复制同一行(浏览器、Acrobat Reader、预览、WPS)。有一个阅读器能复制对,就先用它;文件里的映射可能只是不完整,部分阅读器能绕过去。
- 用 PDF 文字提取提取(在浏览器里进行,不上传)。处处都是同样的乱码,多半是文件里的映射错了。
试一试:映射错误的文件
broken-text-mapping-zh.pdf 是一页送货通知,我们故意把它的字符映射换成了错误的。屏幕上读起来一切正常。用本站文字提取工具(Chromium,2026 年 11 月 12 日)提取,前几行是:
| 页面上 | 复制或提取出来 |
|---|---|
| 示例贸易有限公司 — 送货通知 | xWÆoqÐZc$í$ÉÅÌw |
| 订单编号:ET-2026-0417 | Ä\ÁbëIX1646:1485; |
这个文件里的乱码是我们按固定规则造出来的;你收到的文件里,乱码可能看起来毫无规律,也可能是方框、问号,或者干脆复制不出东西,原因常常也是映射缺失或错误。文字层检查对这一页仍然显示“有文字”,因为文字确实存在,只是含义错了。同一页的正确版本可以正常复制。
有用的办法
| 情况 | 怎么做 |
|---|---|
| 有一个阅读器能复制对 | 用这个阅读器取需要的文字,并核对结果 |
| 能拿到源文件(Word、排版文件、发件人) | 要原文件或请对方重新导出,得到的文字最准确 |
| 只有这份 PDF | 对出问题的页做 OCR:扫描 PDF 变可搜索选“重做此页”,用识别出的文字层替换损坏的那层;或用 PDF OCR 转文字直接取出文字 |
| 只有几个词 | 直接手打,比任何修复都快 |
OCR 认的是字形,不依赖损坏的映射,但可能认错字。数字、姓名、金额要逐一核对。
没用的办法
- 安装字体:字形本来就是对的。
- “修复 PDF”功能:修的是文件结构,不是字符含义。
- 不做 OCR 直接转 Word:转换器读的还是那张错误的对应表。
如果不是乱码,而是根本选不中、复制不了,见为什么 PDF 里的字复制不了。
常见问题
装上字体能解决吗?
一般不能。字体通常已经嵌在 PDF 里,页面本来就显示正常;出问题的是字形到字符的对应关系,装字体改变不了它。
能把 PDF 修好,让复制恢复正常吗?
只有能弄清正确的对应关系才行,这通常要有原文件。对应关系本身是错的时候,工具没法猜出哪个字形代表哪个字;OCR 则是直接认字形。
复制出来字是对的,但换行很乱、两栏串在一起,也是这个问题吗?
不是。那是阅读顺序问题:字没错,只是按行或跨栏提取了。可以按纯文本粘贴再整理换行;版式简单的文件也可以用“PDF 转 Markdown”,它会把行合并成段落。