Word 转 PDF 指南:提取 DOCX 文字并核对结果
Admin ·
ToolMellow 的 Word 转 PDF 工具在浏览器中读取 DOCX 文件的文字,让你检查或编辑,再生成 A4 页面大小的 PDF。选择文件,点击“读取文档”,核对“文档文字”,然后创建并下载 PDF。也可以不选择文件,直接粘贴自己的文字。
这套流程适合为文档文字制作简单的视觉副本。它会省略 Word 的布局、图片和样式,生成的 PDF 页面是渲染文字后的图像。如果需要可搜索的文字、屏幕阅读器所需的结构或忠实的文档排版,请使用合适的文字处理软件导出 PDF,并检查实际结果。
先确定文档需要哪种转换
“Word 转 PDF”可能意味着保留精心设计的页面、把可编辑文字保存成可见的讲义,也可能是制作无障碍文档。本工具处理的是把文字变成页面图像的情况。先确定读者需要哪些属性,再决定是否可以舍弃相关内容。
由普通段落组成的信件,通常比依赖列关系的发票、带脚注的报告或带字段和签名的表单更容易在提取后检查。保留原始 DOCX,以便对照结果,并在需要时改用其他导出方式。
| 需要 | 本工具提供什么 | 如何选择 |
|---|---|---|
| 已核对文字的简单视觉副本 | 可编辑的提取文字,以及随后生成的图像式 A4 页面 | 可以使用本工具,但要检查下载的 PDF。 |
| 原始表格、图片和页面设计 | 不包含这些布局特征的文字提取 | 从文字处理软件导出,并对照页面。 |
| 搜索、选择或辅助技术所需的结构 | 没有 PDF 文字层或结构标签 | 选择支持这些属性的导出,并核实结果。 |
| DOCX 中的扫描页面图片 | 不进行 OCR,也不提取图片 | 先使用合适的 OCR 流程,再检查文字。 |
Microsoft:将 Office 文档保存或转换为 PDFLibreOffice:PDF 导出与文档结构选项W3C:真实文字、OCR 与图像式 PDF 的无障碍问题
读取、编辑、创建,然后下载并检查
选择一个 DOCX 文件后,点击“读取文档”。仅选择文件不会开始提取。核对“文档文字”,尤其要注意单元格内容的顺序、缺失的注释,以及依赖格式表达含义的文字。编辑只会改变下次生成 PDF 所用的文字,不会修改原始 DOCX。
文字准备好后,点击“创建 PDF”。成功生成后才会出现“下载 PDF”。工作区没有生成文件的预览功能:请下载文件,再用 PDF 阅读器打开并逐页检查。编辑文字会使之前生成的下载结果失效,并清除旧错误提示,因此修改后需要重新生成 PDF。
- 换选文件会清空当前文字、已生成结果和错误提示;切换前先保存仍需要的草稿。
- “读取文档”会重新读取所选文件,可能覆盖编辑内容;“创建 PDF”使用的是编辑框中的当前文字。
- 处理期间操作控件会被禁用,但可以取消当前任务。编辑框为空或只有空白字符时,无法开始创建 PDF。
了解 DOCX 中哪些内容会变成文字
DOCX 是包含 XML 部件及其他资源的文件包。读取器按 XML 文档顺序提取 word/document.xml 中支持的段落,包括表格单元格内的段落。它能处理受支持的过渡型与严格型 WordprocessingML 命名空间,但不会重建 Word 的实际排版。
工具收集受支持文本片段中的文字,将制表元素变成制表符,并将支持的换行、回车和分页元素统一变成换行符。各段落用换行符连接,最后去掉整段文字两端的空白。表格会变成一连串单元格段落,而不是保有行列关系的网格。
Microsoft:WordprocessingML 文档结构Ecma:Office Open XML 表示与封装MDN:解析 XML 并检测解析错误
检查注释、列表、链接和修订内容
存放在独立部件中的页眉、页脚、批注、脚注和尾注不会被读取。图片、绘图和文本框会被跳过,修订中删除的文字也会被省略。受支持的插入文字可能保留。因此,提取结果不是完整的修订审阅,也不能替代在原软件中接受或拒绝修订。
受支持片段中的可见超链接文字可以被提取,但链接目标和可点击关系不会保留。工具不会依据编号定义重新生成自动列表编号或项目符号;已经作为普通文字保存的编号或符号则可能留下。发布前请检查“见注释 3”之类的引用,以及列表中的操作说明。
同时检查输入和输出的各项限制
体积很小的压缩 DOCX 也可能包含很大的 XML,或大量文件包条目。因此,文件大小只是多项独立限制之一。读取器要求文件非空,文件名以 .docx 结尾且不区分大小写,并包含可读取的受支持文档部件。不支持旧版 .doc 或启用宏的 .docm 文件名;改名不会转换实际内容。
读取器检查文件包签名、所选 XML 的大小、文档结构及解析错误,并拒绝 DTD 或实体声明。它不执行宏部件,也不证明包内每个部件都安全或符合全部 Office Open XML 规则。此工具不能修复加密或损坏的文档。
| 限制对象 | 上限 | 需要注意 |
|---|---|---|
| 所选文件 | 10000000 字节,即 10 MB | 指压缩文件大小;XML 还有独立上限。 |
| 文档 XML | 10000000 字节 | 同时检查声明的未压缩大小和实际提取字节数。 |
| ZIP 条目 | 2500 | 扫描到的条目均计数,即使不提取其内容。 |
| 提取的段落 | 10000 | 文本额度可能先耗尽。 |
| 提取时的文本额度 | 100000 个 UTF-16 代码单元 | 每个受支持段落按文本长度加一个单元计数,之后才去掉最终首尾空白。 |
| 编辑框和 PDF 输入 | 100000 个 UTF-16 代码单元 | 这是字符串长度限制,不是词数或可见字符数。 |
| 生成的 PDF | 50 个 A4 页面 | 自动折行和换行决定页数,而不是原 Word 的页数。 |
fflate:ZIP 筛选与同步处理MDN:解析 XML 并检测解析错误MDN:文本框长度与 UTF-16 代码单元Ecma:Office Open XML 表示与封装
为什么 100000 个字符仍可能超限
这些限制以 UTF-16 代码单元计数。许多常用字符占一个单元,而 😀 这样的补充字符占两个。一个可见字符也可能由多个码点组成,因此不能用字数或肉眼看到的符号数量来判断文档是否符合限制。
提取时,每个被接受的段落按“文本长度加一个单元”计入额度,之后才连接段落并去掉两端空白。只有一个段落、内含 99999 个 ASCII 字母时,可以满足这项文本额度;同样的段落若含 100000 个字母,就会因额外的段落单元而超限。空段落和最终会被去掉的首尾空白也会事先计数。编辑框单独规定的 100000 单元上限不会取消这些提取规则。
文字怎样生成新的 A4 页面
渲染器在宽 1240 像素、高 1754 像素的白色画布上,以 24 像素的浏览器无衬线字体绘制深色文字,并使用固定边距和行距。每张图像铺满一页 A4 PDF,页面宽约 595.28 点、高约 841.89 点。没有纸张大小、字体、边距或原 Word 分页位置的设置。
回车换行会统一为换行符,制表符展开为四个空格,文字按测量后的可用宽度自动折行。文本片段先进行 NFC 规范化,再在需要时按字素簇边界拆分。这些步骤生成可读的页面图像,并不精确保留原文的空格、Unicode 表示或页面布局。即使文字长度合格,长文本或过多空行也可能触及 50 页上限。
MDN:在画布上绘制文字MDN:将画布导出为图像 Blobpdf-lib:在 PDF 中嵌入 PNG 图像MDN:Unicode 规范化与 NFCMDN:按字素簇边界分割文字
理解图像式 PDF 的影响
输出包含页面图像,而不是 PDF 文字对象。因此,工具不会生成可选择或搜索的文字层、可点击链接、标题与表格结构,或供屏幕阅读器使用的标签。页面看起来可读,并不等于它具备其他读者或系统所需的文字和结构。
某些阅读器或独立 OCR 工具可能识别图像中的文字,但那属于本转换器之外的额外处理。单靠 OCR 不能保证标签正确、阅读顺序合理或文档无障碍。如果无障碍、搜索或可靠复用文字很重要,请从源软件选择合适的导出方式,再验证生成的 PDF。
W3C:真实文字、OCR 与图像式 PDF 的无障碍问题pdf-lib:在 PDF 中嵌入 PNG 图像Microsoft:将 Office 文档保存或转换为 PDFLibreOffice:PDF 导出与文档结构选项
检查字体和混合书写方向
浏览器负责文字塑形和后备字体选择,不会复现原文档的字体。请在下载页面中检查重音字母、连写文字、表情符号、数学符号和不常见字符。一个浏览器中显示正常的示例,不能保证另一台设备上的所有字体或文字系统都相同。
段落方向使用基于第一个字母及希伯来文/阿拉伯文 Unicode 范围的有限启发式规则,并非 Word 完整的段落格式模型。阿拉伯文或乌尔都文与拉丁产品名、数字、网址和标点混排时尤其需要目视核对;依赖对齐表达关系的表格也一样。
明确本地处理和下载文件的含义
DOCX 读取、文字编辑和 PDF 创建都在浏览器标签页中完成。转换没有上传文档这一步,网站也不会把文档或编辑内容存成草稿。不过,打开网站仍会请求页面和资源,普通的网站分析代码也可能运行。本地处理不代表完全没有网络请求,也不保证首次访问就能离线使用。
选择名为 report.docx 的文件时,工具请求下载为 report.pdf;不选择文件而直接输入文字时,请求的名称为 document.pdf。实际保存位置由浏览器决定,重复下载时也可能被改名。编辑、取消或关闭标签页都不会删除原文件或已经下载的 PDF。
处理错误时保留需要的文字
“DOCX 损坏、加密或过大”的提示涵盖多种读取失败,并不指明唯一原因。请用可信赖的文字处理软件打开源文件,确认它是可用的 DOCX;若超过限制,可对副本进行精简。如果提取结果为空,请检查原文档是否只有图片、文本框或不受支持的部件。
PDF 创建失败时,先检查文字长度及可能生成的页数,再尝试更短的草稿。刷新页面之前,请把修改另存到其他地方,因为工作区不会自动保存。取消会使尚未完成的结果失效并恢复操作按钮,但浏览器主线程忙于同步 ZIP/XML 处理时,不一定能立即中断。
| 现象 | 检查方向 | 下一步 |
|---|---|---|
| 读取文档失败 | 扩展名、文件包/XML 限制、加密或结构损坏 | 在原软件中检查副本;改名并不等于转换。 |
| 未找到文字 | 内容可能是图片、文本框或独立部件 | 使用适当的导出或 OCR 流程,再核对文字。 |
| “创建 PDF”不可用 | 没有非空白文字,或任务仍在运行 | 读取文档或输入文字,然后等待或取消当前任务。 |
| 文件很小仍创建失败 | 实际渲染页数或浏览器资源 | 减少文字和过多空行;刷新前保存修改。 |
| 下载内容缺失或顺序变化 | 不受支持的内容及丢失的布局关系 | 对照原文,必要时改用文字处理软件导出。 |
分享前核对下载的 PDF
检查第一页和最后一页,再逐页查看中间内容。留意句子遗漏、表格标签与数值分离、字形被裁切或替换、异常空白以及书写方向变化。对照原文核实重要的总数、姓名和操作说明,不要把下载成功当作内容完整的证明。
只有当结果符合读者需要时,才采用这份文字转换文件。如果源文档布局或结构很重要,Microsoft Word 和 LibreOffice 都提供自身的 PDF 导出选项。这些选项仍需要有意识地设置并核查输出;仅仅换一个应用并不能证明无障碍或外观完全一致。
- 确认所有必要正文都已提取,尤其检查列表、注释和表格关系。
- 用读者将使用的阅读器检查已保存 PDF,特别关注多语言文字和页尾。
- 需要搜索、复制或辅助技术支持时,选择带有真实文字层和适当结构的导出方式。
Microsoft:将 Office 文档保存或转换为 PDFLibreOffice:PDF 导出与文档结构选项W3C:真实文字、OCR 与图像式 PDF 的无障碍问题
常见问题
如何在浏览器中将 DOCX 文字转成 PDF?
选择 DOCX,点击“读取文档”,检查或编辑提取的文字,再点击“创建 PDF”和“下载 PDF”。打开保存的文件逐页核对;工作区不提供生成 PDF 的预览。
不选择文件也能生成 PDF 吗?
可以。在“文档文字”中输入不只是空白的内容,然后点击“创建 PDF”。没有选择文件名时,请求的下载名称为 document.pdf。同样适用文字长度和 50 页输出上限。
会保留 Word 格式和图片吗?
不会。工具提取支持的文字,并以浏览器字体重新排版。图片、原始样式、表格网格和 Word 分页都会省略。需要保留这些属性时,请从文字处理软件导出。
为什么不能选择或搜索 PDF 文字?
工具把渲染后的页面图像放进 PDF,不生成文字层。阅读器如有 OCR,那也是单独的处理。输出还缺少供屏幕阅读器使用的结构标签。
超链接会保留吗?
受支持文档片段中的可见链接文字可以被提取,但目标地址和可点击链接不会保留。生成的 PDF 包含图像,而不是交互式链接对象。
能读取 DOC、DOCM 或有密码的文档吗?
不能。支持的是可读、非空、文件名以 .docx 结尾且不区分大小写的 DOCX。更改扩展名不会转换文件包。读取器不执行宏,也不证明宏内容安全。
为什么小于 10 MB 的 DOCX 会被拒绝?
文档 XML 大小、ZIP 条目数、提取段落数和 UTF-16 文本额度都有独立限制。不支持或损坏的文档结构以及加密也会引起失败。通用提示不会指出究竟触发了哪一项。
100000 的上限指可见字符吗?
不是。它计算 UTF-16 代码单元,提取时还会在去掉首尾空白之前为每个接受的段落多计一个单元。有些可见字符占多个单元,单段落若已有 100000 单元,就已超过提取额度。
列表、脚注和修订会保留吗?
独立注释部件和修订中删除的内容会被省略,受支持的插入文字可能保留。自动列表标记不会依据编号规则生成,不过以普通文字保存的标记可能留下。请认真核对提取后的含义。
转换时会上传文档吗?
文档读取与 PDF 创建代码在浏览器标签页中运行,没有上传文档的操作。网站仍会发起普通的页面、资源及分析请求,因此不代表完全不用网络,也不保证首次访问即可离线运行。
取消会立即停止所有处理吗?
取消会使当前结果失效,并在浏览器能够处理操作后让界面恢复可编辑状态。同步 ZIP/XML 工作可能占用主线程,因此不能保证立即中断。
什么时候应从 Word 或 LibreOffice 导出?
需要源布局、图片、可搜索文字或合适的无障碍结构时,请使用文档编辑软件。选择相应 PDF 选项,再核查实际输出的外观、文字和阅读顺序。
来源与延伸阅读
- Microsoft:WordprocessingML 文档结构
- Microsoft:超链接文字与关系目标
- Ecma:Office Open XML 表示与封装
- fflate:ZIP 筛选与同步处理
- MDN:解析 XML 并检测解析错误
- MDN:文本框长度与 UTF-16 代码单元
- MDN:将画布导出为图像 Blob
- MDN:在画布上绘制文字
- MDN:按字素簇边界分割文字
- MDN:Unicode 规范化与 NFC
- pdf-lib:在 PDF 中嵌入 PNG 图像
- Microsoft:将 Office 文档保存或转换为 PDF
- LibreOffice:PDF 导出与文档结构选项
- W3C:真实文字、OCR 与图像式 PDF 的无障碍问题