PDF 转 Word 指南:校对文字、OCR 与文档结构
Admin ·
PDF 转 Word 在浏览器中读取所选 PDF 页面,让你校正提取的内容,再生成可编辑的 DOCX。先用一小段有代表性的页面试做。按需要选择已有文字、印刷扫描件 OCR 或可选的结构重建,下载前逐页对照原件。
PDF 记录固定页面上的位置;可编辑的 Word 文档由段落、表格等结构组成,内容可能重新流动。因此转换是一项重建工作,无法保证每行文字、字体或分页都与原件一致。请保留 PDF,并在实际要使用的编辑器中检查 Word 文件。
先选一页能暴露问题的样本
选择一个 PDF,或将它拖入工作区。默认采用自动读取、英语 OCR 和可编辑的纯文本段落。在“页面”中填写较短的范围;如文件需要密码,输入已知的正确密码,再点击“读取 PDF 文字”。仅选择文件不会生成 Word 下载。
样本应包含你关心的内容,例如普通文字、扫描页、表格或双栏。如果需要表格、标题、列表或插图,请在读取前开启“重建文档结构”。这会同时改变校对方式和默认输出选择。先检查小样本,再处理更多页面。
- 保留原始 PDF,作为视觉对照。
- 主动选择印刷文字的 OCR 语言;切换界面语言不会替你选择 OCR 模型。
- 导出前检查姓名、数字、漏行和阅读顺序。
选择适合页面内容的读取方式
自动模式优先使用已有文字层,只要提取结果去掉首尾空白后仍有文字,就不会对该页运行 OCR。只有没有这类文字的页面才会进入 OCR。它不判断文字层是否完整或准确。例如,扫描发票上方若有可选择的标题,自动模式可能只提取标题,漏掉图片里的发票文字。
当所需文字位于图片中,或已有文字层无法使用时,选择“OCR · 所有选定页面”。工具会将所选页面渲染为图像,识别包括已有可见文字在内的印刷内容。识别也可能引入错误,因此应重新对照原件,而不能认为 OCR 对每份文档都更好。
| 读取方式 | 适合从这里开始的情况 | 主要限制 |
|---|---|---|
| 自动 | 普通文字页与独立扫描页混合的文档 | 混合页面上不完整的文字层也可能阻止 OCR |
| 仅已有 PDF 文字 | 想先检查可选择文字,不运行 OCR | 图片内文字和表单字段值可能缺失 |
| OCR · 所有选定页面 | 印刷扫描件、混合页面或无法使用的文字层 | 最多 10 个 OCR 页面;识别结果仍须校对 |
Adobe Acrobat 学习资料:纸张扫描与 OCRTesseract 文档:改进识别质量Tesseract.js:图像识别与 PDF 支持边界
填写页面范围,并确认输出顺序
“页面”留空时会选择整个源文件。填写 1-3, 5,会先读取第 1 至第 3 页,再读取第 5 页。单个范围必须从小到大,但各个范围段保留输入顺序。例如 3,1,3 会得到三个校对条目:第 3 页、第 1 页、再一次第 3 页。重复页面会重复计入选择数量和 OCR 限额。
源文件最多包含 300 页,一次任务最多选择 50 页。从 301 页的源文件中只选一页,也不能绕过源文件页数上限。应先将其拆分为合适的 PDF。多种语言的扫描件应分范围读取,并分别选择相应 OCR 语言,不要期待一次选择自动识别所有语言。
按印刷语言选择 OCR,并准备清晰扫描件
OCR 可选英语、法语、德语、意大利语、葡萄牙语、西班牙语、简体中文、印地语、阿拉伯语和孟加拉语。一次读取任务中的所有 OCR 页面使用同一个所选模型。印尼语或乌尔都语界面不代表提供这两种语言的识别模型。这里不支持手写或列表外的语言,OCR 也不会翻译文字。
清晰、朝向正确的印刷页面比模糊、倾斜或低分辨率扫描件更适合识别。工具按 PDF 每英寸 200 像素渲染 OCR 页面,没有供用户调整的分辨率或扫描增强控制。结构 OCR 使用未旋转的词框,并关闭自动纠偏;必要时请先纠正源文件方向。较高置信度仍可能伴随漏掉整行或识别错编号。
逐页对照原件,修正实际内容
校对区将原始页面与可编辑文字并排展示,并提供页码选择器。请检查专有名词、日期、小数分隔符、账号、标点和完整行。9007199254740993 这样的标识符应保留为文本;转换器不要求把它四舍五入或按电子表格数字处理。
纯文本模式可直接编辑文字,换行会成为 Word 段落。如果仅文字读取未找到已有文字,也可以在空白校对区自行输入;但完全空白的纯文本无法生成 Word 文档。若需要扫描页上缺失的印刷内容,应使用 OCR 重新读取并校对新结果。重新读取会清空上次校对,请先下载重要修改。
需要可编辑排版时,再重建内容块
结构模式尝试恢复段落、标题、受支持的列表、表格、单栏或双栏区域以及插图。可用的 PDF 标签能提供线索;其他内容则根据位置与外观分组。标签和几何推测都不能自动保证阅读顺序正确。请将内容块与原件对照,按需移动、编辑或删除。
表格单元格可以编辑,手动新增的表格也一样。请检查列对齐、合并表头和单元格的阅读顺序。不同源页面上的列表会使用不同的 Word 编号定义,因此需要检查连续编号和重新开始的位置。文档即使看起来合理,也可能把右栏放到左栏文字前面。
| 检查对象 | 可做的修正 | 导出后再检查 |
|---|---|---|
| 标题与列表 | 选择标题层级、列表样式和编号;调整内容块顺序 | 标题层级关系与列表是否正确接续 |
| 表格 | 修正单元格文字、行列及合并单元格的解释 | 每个数值是否位于正确表头下方 |
| 分栏与插图 | 检查区域顺序,添加或移除裁剪图 | 阅读顺序、缺失图形与重复文字 |
字体、颜色与裁剪图都需要目视核对
结构模式可保留匹配到的字体家族名称、字号和受支持的纯色文字,并提供校对控制。它不会嵌入原字体;浏览器或文字处理软件可能替换未安装的字体。透明度、图案、描边和裁剪效果不会按 PDF 的原样精确复制,请阅读提示并对照预览。
插图是页面渲染后的裁剪图,不是原始嵌入图片文件。已有文字的结构重建使用 150-PPI 页面渲染,并可能跳过整页图片或与文字重叠的图片,以减少重复。矢量图、蒙版、重复图片或成组图片可能需要手动裁剪。裁剪图也可能包含已存在于可编辑内容块中的文字像素,请检查是否重复。结构 OCR 不会自动将每张图片都变成独立插图。
纯文本与结构修改各自保留
存在结构校对时,可以在“Word 内容”中选择“已校对的结构”或“可编辑的纯文本段落”。这两个版本分别保留修改。修改结构中的表格不会同时改写纯文本;修改纯文本也不会更新结构内容块。下载 DOCX 或已校对文字前,请确认选择了所需版本。
改变读取设置、选择其他文件或重新读取都会清空校对。仅改变 Word 输出设置会保留已校对内容,同时移除旧结果,以便重新生成。如果先前显示了导出错误,改变这些输出设置也会清除旧错误;下一次导出仍须实际成功完成。
选择纸张尺寸,生成 DOCX 后在 Word 中检查
纯文本输出提供 US Letter 或 A4,只创建可编辑段落,不复原 PDF 的原始表格、图片、链接、表单、字体或排版。结构输出采用已校对的内容块,也允许使用源页面尺寸。开启重建时会先选中结构输出和源尺寸;切换到纯文本会把源尺寸选项改为 Letter。
分页选项会让每个源页面从新的 Word 页面开始,但不能保证该页内部的分页完全一致。文字、页边距、替代字体和编辑软件都会影响重排。点击“创建 Word 文档 →”,等待结果后下载 DOCX。结构重建在读取时就要求源页面每边为 0.5 至 22 英寸。超出范围时,请关闭重建并重新读取,再输出纯文本 Letter 或 A4;也可先准备标准尺寸 PDF,其他输入与渲染限制仍然适用。
分别检查文件、选页与校对容量
输入上限 50 MB 指 50,000,000 字节。PDF 同时需要满足页数和渲染限制;压缩后很小的文件也可能包含尺寸很大的页面。少选页面可减少累计工作量,但不能绕过源文件总页数或字节上限。结构与 OCR 所用的渲染图比纯文本预览更大。
文字限制按 JavaScript UTF-16 代码单元计数,而不是按可见字符计数:有的符号需要两个单元,组合序列可能需要多个。校对区显示的计数不包含为 TXT 和 Word Counter 在页面之间插入的分隔符。结构导出还分别限制内容块、带样式文字片段、插图和表格大小。达到限制时,请缩小选择范围或简化校对后的文档。
| 范围 | 实际限额 | 超过时如何处理 |
|---|---|---|
| 源 PDF | 50,000,000 字节、300 页 | 先拆分或准备更小的源文件 |
| 所选页面 | 50 个条目;其中最多 10 个需要 OCR | 缩小范围,避免无意重复选页 |
| 校对或导出的文字 | 1,000,000 个 UTF-16 单元;纯文本 DOCX 最多 20,000 段 | 分成较小部分导出 |
| 渲染页面 | 每边 8192 像素;每页 8,000,000 像素;累计 80,000,000 像素 | 减少选页,或使用标准尺寸源页面 |
| 初始校对资源 | 预览、源页面渲染图和插图合计 50,000,000 字节 | 减少选页或使用纯文本 |
| 结构 DOCX | 2000 个块、50,000 个带样式文字片段、100 张插图及合计 50,000,000 插图字节;输出最多 100,000,000 字节 | 简化块和插图,或拆分任务 |
| 每个结构表格 | 200 行、12 列、2000 个单元格 | 将大表格分成合适部分 |
| 任务时限 | 读取 180 秒;创建 Word 60 秒 | 设备有空闲资源时重试较小任务 |
根据失败提示决定下一步
文件名以 .pdf 结尾并不保证内部 PDF 可读。此流程检查文件并采用严格 PDF 诊断,只对可修复的字体提示允许有限例外。其他阅读器通过修复可以展示的损坏文件,这里仍可能拒绝。能在别处预览,不代表文字或结构在这里就能安全重建。
读取失败或取消时,界面不会提供部分成功的校对页面。请修正输入或选项后重新读取。如果 Word 创建失败,校对仍保留,可继续修改或下载 TXT。若本地引擎或模型不可用,可能需要先让相关站点资源成功加载,再重试。
| 现象 | 可能需要检查 | 下一步 |
|---|---|---|
| 扫描页没有文字 | 仅文字模式无法读取图片像素 | 选择自动或“OCR · 所有选定页面” |
| 只提取到标题 | 混合页面存在部分可选择文字 | 尝试对整页强制 OCR,并对照完整页面 |
| 文字错误或缺失 | 语言、扫描质量或识别限制 | 选择正确模型,并按原件校正 |
| 触及页数或渲染限制 | 源文件大小、所选数量或图像尺寸 | 准备更小的源文件或范围 |
| DOCX 排版不同 | 重建、字体替换或 Word 重排 | 检查内容块和导出的文档 |
使用已知密码,重新读取前保存修改
遇到受保护的 PDF,请在本地密码框输入正确密码后尝试读取。这不是密码恢复工具。每次读取尝试结束后,密码框都会清空,包括失败或取消,因此再次尝试时可能要重新输入。取消后,所选 PDF 仍会保留。
“取消”停止当前读取或导出。“清除文件”会移除所选源文件、密码、范围与校对,其他读取选项及 Word 设置可能保留。换文档前请检查这些设置。清除、重读或离开页面之前,应下载需要保留的修改;屏幕上的校对内容还不是已保存文档。
下载 TXT,或将文字交给 Word Counter
“下载已校对文字”使用当前“Word 内容”所选的版本。选择结构时,会提取已校对内容块的文字,包括表格文字和适用的列表标记;插图像素不产生文字。TXT 按选择顺序包含所有校对页面,页面之间用两个换行分隔。
“统计校对后的文字 →”将同一份文字交给当前标签页内的 Word Counter。其 1,000,000 单元限额包括额外插入的分页分隔符,因此校对本身尚未超限,也可能无法完整传递。需要时请分小段下载。传递是临时的,不保存在 URL 或浏览器存储中;在 Word Counter 中清空会移除传入文字和撤销历史。
区分本地文档处理与站点资源请求
PDF、密码、文字校对和 Word 创建都在你的设备上处理;此转换流程不会上传文档字节来完成转换。不过,加载网站仍会请求页面和脚本,PDF 支持文件或所选 OCR 模型也可能按需下载,站点分析功能还可能发送请求。本地处理不保证首次使用完全离线,也不意味着没有网络活动。
读取已有文字不需要 OCR 模型。需要 OCR 时,只随引擎加载所选语言模型,不会自动下载所有模型。即使文档在本地处理,资源下载失败仍可能导致无法识别。请下载完成的文件,才能在关闭标签页后独立保留它们。
分享之前做一次简短验收
发票应对照 PDF 检查客户名称、发票编号、项目明细、数量、小数分隔符和总额。报告还需检查标题层级、列表接续、栏顺序、表头和图注。识别置信度只是引擎估计,不是对这份文档测量得到的准确率。
在目标编辑器中打开下载的 DOCX,用易于阅读的缩放比例查看页面。可在那里调整重排,也可以修改源校对后再次导出。原始视觉布局重要时,请在可编辑版本旁保留 PDF。需要固定外观副本时,保留原 PDF 可能比在 Word 中逐一复原细节更合适。
常见问题
如何把 PDF 转成可编辑的 Word?
选择一个 PDF、读取方式和页面范围,再点击“读取 PDF 文字”。对照并修改校对结果,选择 Word 输出设置,创建文档后下载 DOCX。
能读取扫描的 PDF 页面吗?
可以在 OCR 限额内识别所支持的印刷语言。自动模式只对没有提取到非空文字的页面运行 OCR;混合页面或无法使用的文字层应选择“OCR · 所有选定页面”。
为什么自动模式漏掉图片里的文字?
自动模式只检查已有提取文字是否非空,不检查是否覆盖整页。一个可选择标题就可能阻止其余内容进入 OCR。强制 OCR 可能找回图片中的词句,但仍需校对。
切换界面语言会自动选择 OCR 语言吗?
不会。初始 OCR 模型是英语,请明确选择印刷语言。共有十个模型;印尼语和乌尔都语有界面,但这里没有对应 OCR 模型。
OCR 会翻译或识别手写吗?
它识别受支持的印刷文字,不翻译。手写和模型列表以外的语言不受支持。
Word 文件会与 PDF 完全一样吗?
不会。纯文本输出包含可编辑段落;结构输出重建受支持的内容块与插图,但字体替换、分组不确定性和 Word 重排都可能改变结果。请检查下载文件。
可以修改表格、标题与分栏吗?
读取前开启重建,再检查识别出的内容块。校对标题层级、列表编号、表格单元格、合并表头、栏顺序和插图。即使存在 PDF 标签,检测仍是近似重建。
修改纯文本会同时改变结构版本吗?
不会。两个版本分别保留修改。“Word 内容”决定 DOCX、TXT 和交给 Word Counter 的文字使用哪个版本。
一次能转换多少页?
源文件最多 300 页,一次最多选择 50 个条目,其中最多 10 页需要 OCR。重复选择会重复计数,还受文件、文字、渲染与时间限制。
只选择少量页面能绕过大文件限制吗?
可以减少所选工作量,但无法绕过源文件 50,000,000 字节或 300 页限制。请先把超限源文件拆分成合适的 PDF。
需要密码的 PDF 可以转换吗?
读取前在本地输入已知的正确密码。每次尝试后密码框都会清空。工具不恢复或绕过未知密码。
文字已到上限时,为什么 Word Counter 不可用?
它的限额包含校对页面之间插入的两个换行。这些分隔符可能让原本允许的校对超过 1,000,000 个 UTF-16 单元。请分小段下载并统计。
PDF 或密码会为转换而上传吗?
此转换流程在设备上处理它们。站点仍可能请求脚本、PDF 支持资源、所选 OCR 模型和分析服务。本地转换并不等于没有网络请求。
取消或清除前,应保存什么?
需要保留修改时,请下载已校对文字或已完成的 DOCX。取消会保留所选 PDF,“清除文件”则移除源文件与校对;重新读取会重置上次校对。