PDF转Word总乱码?先看你是哪种PDF

「转出来全是乱码」「表格全散了」——这类反馈见得多了,原因往往不在工具,而在文件类型判断错了。文字型和扫描型的PDF,走的是两条完全不同的路,用错方法,怎么折腾都白搭。

花十秒判断你手上的是哪种

浏览器打开 PDF,放大到 200%:

  • 文字边缘锐利,能选中复制出文字——文字型,Word 导出、网页另存、系统生成的都是
  • 文字边缘有像素点,选中复制出来是空的或乱码——扫描型,扫描仪、拍照、传真来的

这一步定后面走哪条路。判断错了,后面全是无用功。

文字型:直接转

PDF转Word 做的事情,是读出 PDF里存的文字坐标和段落结构,重新搭成Word的段落、表格、图片。效果跟版式复杂度直接相关:

版式还原程度要留意什么
纯文字(报告、合同正文)九成以上,段落加粗列表都在基本不用怎么管
简单表格中上多数能还原,跨页表格可能断行
多栏(论文双栏、杂志)中等栏序可能错位,得手动调
图文混排(PPT 导出的 PDF)偏差浮动图片位置会漂,这是两种排版模型的结构性差异

三个高频翻车点。

字体缺失。PDF嵌了特殊字体、Word里没同款,会被替换成默认字体,行距跟着变。影响不大就忍了,影响大就手动换。

公式。PDF 里的数学公式本质是图形化的文字,转出来大概率是一堆乱排的字符。公式多的论文,要么用支持公式识别的专用工具,要么接受转完手动重录。

页眉页脚。多数转换器会把每页的页眉页脚当成正文,转完手动删或者挪回 Word 的页眉区。

文字型走这条路,转完留十分钟到半小时校对。这是正常成本,不是工具不行。

扫描型:先 OCR 再转

扫描型 PDF里根本没有「文字」,只有一张图。所谓转换,就是把图里的字猜出来,也就是 OCR。

流程是:OCR识别拿到文字层,再按上面那条路重建结构。本站的 OCR工具 可以直接出可编辑文档。

识别率主要看扫描质量:

扫描件情况中文识别率(经验值)说明
300 DPI、清晰、不歪95–99%几乎能用,零星错字
150–200 DPI、略微倾斜90–95%要校对,表格识别明显下降
手机拍照、光照不均70–90%错字多,手写基本没法用

同样有三个坑。表格的行列还原是重灾区,合并单元格这种大概率要手动重搭;手写内容别指望通用 OCR,有批注的页面建议跳过识别、截图留档;双栏文档识别后左右栏容易串,识别前能裁成单栏会好很多。

把识别结果当草稿,别当成品,按 95% 的心理预期去校对。

改动太多,不如重排

有些文档后面还要反复改,比如一份要动五十处的合同模板。转换结果烂到校对比重排还费劲时,最划算的反而是把PDF当参考稿,在Word里重新打一遍。

听着笨,但算笔账:三页的简单合同重排二十分钟,校对一份糟糕的转换结果要四十分钟。判断标准只有一条——你要改的地方多不多。改动多就重排,只改几个字就转换加校对。

批量转换

归档材料电子化这种活常常是一次一批。批量转或逐个转都行,注意两点:内存约等于文件数乘单文件体积,十个 5 MB 的文件一起转没问题,五十个就分批;输出文件保留原名加新后缀,结果和原件放不同文件夹,要回退时找得到。


三条路归结起来就是:文字型直接转,扫描型先OCR,改得多就重排。另外把「转完再校对十分钟」当成流程的一部分,心态会好很多。

发表评论