将 PDF 转为带表格的 Markdown
Markdown 输出并提取所有表格。
{
"urls": [
"https://raw.githubusercontent.com/lergassy/apify-actor-assets/main/document-text-extractor/sample-report.pdf"
],
"includeMarkdown": true,
"extractTables": true
}文档处理
文档文本提取器：把 PDF、Word、Excel 转成干净的文本和 Markdown
从 PDF、Word、Excel、PowerPoint、EPUB、HTML 和 CSV 文件中提取文本、Markdown、表格和元数据。扫描页可用 19 种语言的 OCR 识别，文档还能切分为适用于 LLM 流程的 RAG 分块。
19 位用户97.3% 运行成功率（30 天）
可获取的数据
markdown | 含标题、列表和表格的干净 Markdown |
fullText | 整篇文档纯文本 |
tables | 每个表格的 Markdown 和行数组 |
metadata | 文档元数据 |
pages | 可选：逐页文本与 Markdown |
ragChunks | 可选：含标题路径的检索分块 |
ocrText | OCR 识别的扫描页文本 |
使用方法
- 在 Apify 上打开本爬虫并免费注册。
- 在表单中填写航线、日期和选项。
- 点击 Start，以 JSON、CSV 或 Excel 下载结果，或通过 API 调用。
价格
$0.15 每 1,000 条数据
按事件计费：按处理的每个文档和解析的每页收费；开启扫描页 OCR 时，每个 OCR 页另行计费。
Apify 每月赠送 5 美元免费额度，足够免费测试本爬虫。
示例任务
现成的输入参数，可复制到爬虫表单或通过 API 发送。
把 PDF 和 Word 文件切分为 RAG 分块
1200 字符分块，重叠 120。
{
"urls": [
"https://raw.githubusercontent.com/lergassy/apify-actor-assets/main/document-text-extractor/sample-report.pdf",
"https://raw.githubusercontent.com/lergassy/apify-actor-assets/main/document-text-extractor/sample-contract.docx"
],
"chunkForRag": true,
"chunkSize": 1200,
"chunkOverlap": 120
}对 PDF 扫描页进行 OCR 识别
最多识别 20 页无文字层的页面。
{
"urls": [
"https://raw.githubusercontent.com/lergassy/apify-actor-assets/main/document-text-extractor/sample-report.pdf"
],
"ocrScannedPages": true,
"ocrLanguage": "eng",
"ocrMaxPagesPerDocument": 20
}提取 PDF 前 5 页的文本
第 1 至 5 页的逐页文本。
{
"urls": [
"https://raw.githubusercontent.com/lergassy/apify-actor-assets/main/document-text-extractor/sample-report.pdf"
],
"pageRange": "1-5",
"includePages": true
}应用场景
- AI 与 RAG 开发者： 把 PDF 和 Office 文件转为干净的 Markdown 分块用于向量化。
- 运营团队： 从报告、发票和合同中提取文本与表格。
- 研究人员： 从扫描的论文和书籍中提取可检索文本。
- 自动化搭建者： 在 Make、n8n 或 Zapier 流程中加入文档解析。
常见问题
支持哪些文件类型？
PDF、DOCX、XLSX、PPTX、EPUB、HTML、CSV 和 TXT，可通过链接、上传或 base64 提供。
能识别扫描版 PDF 吗？
可以。开启扫描页 OCR 并从 19 种语言中选择。
能处理加密的 PDF 吗？
可以，只要提供密码。
从文档中提取文本合法吗？
本工具只处理你提供的文件。请确保你有权使用这些文档，且其中个人数据的处理符合相关法律。
如何把数据接入我的应用？
可使用 Apify API、Python 或 JavaScript 客户端，或通过 Make、n8n、Zapier 和 Google Sheets 集成。