底層運作原理
將您的 PDF 位元組緩衝區載入獨立的 `pdfjs-dist` Web Worker 中,解析頁碼選擇表達式(`all` 或如 `1-4, 7`),讀取每個文字區塊的 `(x, y)` 座標並依垂直行基準容許值(`yTolerance = 3.5`)分群後由左至右排序,最後乾淨輸出為純文字或 Markdown 格式。
詳細操作步驟
選取本機 PDF 檔案(全程嚴格保留在瀏覽器記憶體中處理)。
依需求輸入頁碼範圍(如 `all` 或 `1-3, 5`)並點擊重新擷取。
選擇輸出格式 `Plain Text (.txt)` 或 `Markdown (.md)`,並決定是否包含分頁標題。
一鍵複製擷取出的文字內容,或直接匯出下載為 `.txt` / `.md` 檔案。
核心功能與效能優勢
- 行基準線幾何重建演算法,避免多欄或表格文字複製時順序錯亂
- 彈性頁碼選擇器,支援單頁與連續區間(如 `1-3, 6, 9-12`)
- 直接匯出為純文字(`.txt`)或含 `## Page N` 標題的 Markdown(`.md`)
- 即時回報已擷取頁數與總字數統計
- 零伺服器傳輸:專為法律保密合約、醫療報告與財務報表打造
運算方法、公式與技術標準
文字權杖依基準線 `y` 軸相近度(誤差 `3.5` PDF 使用者單位內)分群,再依 `transform[4]`(`x` 座標)由左到右排序並整齊折疊多餘空白。
常見實務應用情境
- 從保密協議(NDA)或廠商合約中抽取特定條款以便在本地端整理或摘要
- 從數百頁的英文技術手冊或產品規格書中僅擷取特定章節
- 將可搜尋電子發票或收據 PDF 轉成純文字快速貼入會計記帳表
- 把學術論文片段整理成 Markdown 格式匯入 Obsidian 或 Notion 筆記庫
實作範例與邊界案例
Selective Page Range Extraction
Pages: `1-2, 5` on a 12-page contract
Extracts only pages 1, 2, and 5 with clear page dividers
Avoids copying boilerplate appendices when you only need key clauses.
Scanned PDF Detection Note
Image-only scanned document page
_No extractable text layer on this page._
If a PDF lacks an embedded text layer, switch to our Batch OCR tool.
使用限制與精準度說明
- • 僅能擷取原本就內嵌數位文字層的 PDF;純圖片掃描型 PDF 會得到空白結果(掃描檔請改用「批次 OCR 文字辨識」工具)。
- • 排版極度緊密的雙欄學術論文若左右欄基準線高度完全一致,可能會被合併在同一行顯示。
瀏覽器本地運算與隱私保障
傳統線上轉換網站會將您的文件、文字片段或影音檔案上傳至遠端伺服器。PDF 本地端文字與頁碼擷取器 完全在您的瀏覽器分頁內運行:
您的檔案與文字都在裝置本機計算,不會傳送內容至任何後端伺服器。
Microdeck 不會記錄或儲存您在工具內貼上的任何檔案或程式碼。
所有暫存結果僅存在目前分頁記憶體中,重設或關閉分頁後即刻清除。
常見問題 (FAQ)
為什麼有些掃描的 PDF 擷取出來會顯示空白或沒有文字層?
因為掃描型 PDF 內部儲存的是整頁圖片而非可選取的文字編碼。遇到純圖檔掃描 PDF 時,請改用 Microdeck 的離線「批次 OCR 文字辨識」工具。
把機密合約或財務報表放進來會上傳到伺服器嗎?
不會。`pdfjs-dist` 完全在您瀏覽器隔離的本機 Web Worker 內讀取位元組,沒有任何檔案資料會離開您的裝置。
可以只擷取整份 PDF 裡面的第 2 到第 5 頁嗎?
可以。在頁碼欄位輸入 `2-5` 或 `1-3, 7` 後點擊重新擷取,就能只輸出您需要的頁面。
匯出 `.txt` 跟 `.md` 兩種格式有什麼差別?
`.txt` 會以 `=== Page N ===` 分隔每頁;`.md` 則會自動加上 Markdown 語法的 `## Page N` 二級標題並標記空白頁提示。