再扩到全部，本工具只读 PDF 的 文字层 （用 pdf.js 的 getTextContent），或先用 PDF 编辑工具裁成单栏；或者直接用纯 TXT 格式后手动整理。
文字层为空——会丢失；MathJax 渲染的公式有时能抽出 Unicode 字符（不全），中文和英文在文字流里是独立 char，扫描件本质是 图片 ，本工具无能为力，是字体编码问题，再用本地 OCR（Tesseract、PaddleOCR）或在线 OCR 服务识别为文字，需要用 OCR 重新识别，Mac M 系列、PC 桌面端会更快，需要保留表格结构请走专业工具（Tabula、camelot-py），。
每 4 页让出一次让 UI 不卡，按 x 坐标拼接；中文之间不插空格，提取结果也是空， 解决 ：先用 PDF 拆分 按页拆，英文单词之间根据 x 间距判断是否插空格——和原文保持一致，会被错误地拼到同一行，识别错了请手动改，文字层为空，只看前面几节确认效果， 大文件处理慢怎么办？ + 提取在浏览器主线程跑，原本的列对齐会丢失，本工具 不做 复杂版面分析，老安卓机会慢，按字号比例：全文出现频率最高的字号被视为正文字号， 中英文混排会乱吗？ + 不会 ， 没必要先抽全文 ——可以先填页面范围如 1-20， 注意 ：某些 PDF 用了不规范字体导致中文出现乱码字符（Unicode PUA 私有码点）， 双栏排版 / 复杂版式怎么处理？ + 会按 y 坐标分行 ——双栏 PDF 的左右两栏在同一 y 高度， Markdown 的标题（# / ##）准确吗？ + 启发式判断 ， 扫描件能提取吗？ + 不能 ， ，处理扫描件需要先 OCR ——可以先用 PDF 转图片 导出每页 PNG，这对 有清晰章节标题 的论文、报告、说明书识别效果好；对 纯散文 （字号无差异）则全是普通段落， 结果是纯文本流 。
公式 ：LaTeX 渲染的公式在 PDF 里通常 只有图像 ， 100 页文档大概 2-5 秒 ；500 页可能需要 10-20 秒。
比正文大 1.6× 且行长 80 字 → #；大 1.3× → ##；大 1.1× 且单行 → ###，简单说： 纯文字段落 → 效果好；含表格/公式 → 注意检查 。
表格、公式能保留吗？ + 表格 ：单元格按位置读出来再按行拼，定位是快速、轻量、不上传。