PDF转Word怎么转：4种方法、OCR与常见问题

Adobe 在 1993 年设计 PDF，目的是让文档在任何设备上打印出来都一样，2008 年它成为国际标准 ISO 32000-1。为了兑现这一承诺，PDF 页面其实是一串绘制指令：把这些字形按这种字体放在这些坐标上，在这里画一条线，在那里放一张图片。一句话折到第二行，在文件里只是上下排列的两段互不相干的文字，文件中没有任何信息说明它们属于同一句。

Word 文档的原理正好相反。DOCX 文件遵循 Office Open XML 标准（ECMA-376，后来成为 ISO/IEC 29500），保存的是段落、样式、表格、分节符和页眉页脚，每次排版时由 Word 决定每一行在哪里换行。你添加一个词，段落就会重新换行；改变页边距、字体或纸张大小，每一行都会移动。编辑时需要的正是这种行为，而 PDF 从未记录过它，因为 PDF 在保存的那一刻就已经定稿了。

所以，PDF 转 Word 是重建，而不是解包。转换器必须猜测哪些行属于同一段，哪一行加粗文字是标题而不是一句加粗的短句，哪些对齐的文字构成表格，以及两栏文字应该按什么顺序阅读。好的转换器在整洁的文档上猜得准，在复杂的文档上则不然。如果 PDF 导出时带有标签（用于无障碍的结构层），猜测会更准确，因为标签明确记录了标题、列表和阅读顺序。

有两种截然不同的文件都以 .pdf 结尾。文字版 PDF 由 Word、Google 文档、财务系统或浏览器的打印对话框导出，包含可以选中、复制和搜索的真实字符。扫描版 PDF 由扫描仪、复印机或手机应用生成，每一页都是纸张的照片。对转换器来说，扫描页里根本没有文字，只有像素，即使屏幕上的文字看起来非常清晰。文件名和图标无法区分它们，在文件管理器里两者看起来一模一样。

扫描页必须先经过光学字符识别（OCR），才能得到可编辑的内容。OCR 通过识别字形把它们变成文字，准确率取决于分辨率、对比度、倾斜程度和语言。清晰的 300 dpi 黑字白底扫描件几乎能被完美识别；在台灯下斜着拍的手机照片，每一段都会出现错字。没有 OCR 的转换器，要么给你一个空文档，要么给你一个每页都被当作一张图片贴进去的 Word 文件。

现实中的很多文件是混合型的：合同以文字形式导出，末尾却附一页扫描的签字页；或者报告后面附有扫描的收据。逐页检查的转换器处理这类文件最好，因为它直接读取文字页，只在需要的页面使用 OCR，导出的文字页因此保持字符零误差。如果扫描由你自己完成，文档扫描成 PDF这篇指南介绍了能让 OCR 效果最好的分辨率和光线条件。

从 Word 2013 起，Microsoft Word 就可以直接打开 PDF，使用的是微软称为 PDF Reflow 的功能。如果已经装了 Word，这是最顺手的选择，对普通信件和报告效果不错，但一次只能转换一个文件。Google 文档通过 Google 云端硬盘提供类似的方式。Google 的PDF 转文本帮助页面建议文件不超过 2 MB，并说明列表、表格、分栏、脚注和尾注不太可能被识别，这与实际使用的感受一致：文字能出来，结构往往不行。

Adobe Acrobat 标准版和专业版通过 导出 PDF 工具导出为 Word，并自动对扫描页进行文字识别。Acrobat 是付费订阅，免费的 Acrobat Reader 不含导出功能。浏览器转换器介于两者之间：无需安装，适用于任何操作系统，通常还可以在流式文本和精确版面之间选择。在 PDF 转 Word 页面上，文字识别（OCR） 设为自动时只读取没有文字层的页面，文档语言 则为非英文的扫描件设置 OCR 所用的文字。

Word 的 PDF Reflow 就藏在普通的“打开”对话框里，所以很多人从没注意到它。它适用于 Windows 版的 Word 2013、2016、2019、2021 和 Microsoft 365。Word 会提示将把 PDF 转换为可编辑文档，这可能需要一些时间，而且结果可能与原件不完全一致，尤其是文件含有大量图形时。点击“确定”后，转换后的副本会作为新的未保存文档打开，PDF 本身不会被更改。

微软自己的文档列出了可能无法转换的元素，包括跨页的脚注、尾注、PDF 书签和批注，以及发光、阴影之类的字体效果。实际使用中，Word 还常把侧栏、引文框和多栏的杂志页面变成浮动文本框，看起来没问题，编辑起来却很麻烦。Word 也没有设置扫描件语言的选项，所以扫描页上的带重音字符或非拉丁文字识别效果时好时坏。不过对于一页的信件或普通报告，它往往是最快的办法，而且结果已经在你要用的编辑器里。

单栏正文加上规范的标题，用任何工具转换效果都不错：信件、文章、合同和大多数报告。加粗、斜体、项目符号列表和带可见边框的简单表格通常都能保留。只要转换器保留图片，图片就能带过来，在浏览器方式中对应的是 保留图片 选项，转换为 DOCX 时默认开启。PDF 中本来就是真实链接的超链接一般都能保留；从来不是链接的蓝色下划线文字仍然是普通文字。原始版面越整洁、越常规，你就越不容易察觉转换的痕迹。

问题出在版面本身承载含义的地方。两栏文字可能被横向读取而不是纵向。没有框线的表格很难识别，可能变成以制表符分隔的行。页眉、页脚和页码在每一页都以普通文字绘制，所以常常出现在正文中间，每页一次。可填写的表单域会被压平成普通文字或丢失。电脑上没有的嵌入字体会被替换为最接近的字体，导致行长改变。对于以表格为主的文档，电子表格是更合适的目标格式，参见从图片和 PDF 中提取表格。

在编辑之前，先花两分钟检查转换结果，因为结构问题在一开始修复比改写了一半文字之后再修要容易得多。把 PDF 和 Word 文件并排放好，两边一起滚动查看。留意页面交界处是否缺段落、页眉是否重复出现在正文中，以及表格是否变成了零散的行。打开格式标记后，如果每行末尾都有段落标记，说明得到的是逐行排版而不是段落；用 流式文本 重新转换，通常比手工合并行更快。

对于扫描页，请运行拼写检查，并特别留意数字，因为拼写检查不会检查数字。OCR 经常把数字 0 与字母 O、1 与 l、5 与 S 混淆，在发票或合同里，一个错误的数字比十个错别字更要紧。如果整段文字都是乱码，先检查 文档语言 并重新转换，再考虑手工修改。如果版面已经无法修复，就把干净的文字复制到基于你自己模板的新文档中，这往往比理顺文本框更快。

每个转换器都是在对一份原本就以可编辑形式存在的文档做逆向还原。如果 PDF 来自同事、客户或过去的你自己，原始的 DOCX、Google 文档或 InDesign 文件几乎总是比任何转换结果更好：样式完整，表格是真的，修订和批注也都保留着。一封简短的邮件索要源文件，可以省下一个小时的清理工作，而且人们很少介意。这样还能避免一个更隐蔽的问题：转换后的文件看起来像是定稿，转换带来的小错误可能不知不觉带进下一个版本。

对于要大量编辑的长文档、要重复使用的模板、含有复杂表格或表单的文件，以及一个读错的数字就有风险的法律或财务文件，先去索要源文件是正确的做法。当源文件已经丢失、PDF 是从未有过电子原稿的纸质扫描件，或者你只需要摘取几段文字时，转换才是正确的做法。这种情况下，PDF 转换器也能输出纯文本，用于引用比带完整格式的 Word 文件更干净。

已签名或经过认证的 PDF 是特例。把它转换成 Word 会移除签名及其有效性，所以只能把 Word 文件当作工作副本。如果需要把修改后的版本发回去，请在 Word 副本中修改，再次导出为 PDF 并重新签名；不要把转换后的文件当作已签名的原件出示。带有认证或正式印章的 PDF 也是如此：可见的标记也许还在，但它的数字证明已经没有了。