PDF 转 DOCX

从坐标中读回结构

PDF 里没有段落。它只有字形，每个字形带着位置、大小和字体，而读者所感知到的一切结构，都只是这些字形摆放位置产生的效果。把它转换成 Word，意味着要把结构反推回来——真正的难题正是这个推断过程，而非文件格式本身。

处在同一基线上的字符组成一行。宽于字号五分之一的水平间隙被视为词间空格，因为 PDF 完全可以逐个摆放每个单词，而不编码任何空格。连续的行归入同一段落，直到出现相反的信号：比行距更大的间隙、字号的变化、新的缩进，或者上一行在远未到达栏边时就已结束——从外部看，段落的最后一行正是这个样子。

工具栏中的开关

重组段落

把视觉上的行重新合并为连贯的段落，并把排版时在行末用连字符断开的单词重新接上。对于诗歌、代码、表单以及其他换行本身就是内容的情况，请切换为逐行保留。

页码范围

只读取指定范围。对于篇幅很长的报告，这是一秒钟和一分钟的区别，因为几乎所有时间都花在解析页面上。

标题

把明显大于正文的短行提升为 1-4 级标题，让结果拥有真正的大纲，并能在 Word 的导航窗格中显示。

列表

识别项目符号字形以及 1.、a)、iv. 之类的标记，把它们从文本中剥离，并按版式暗示的层级缩进，重建为真正的 Word 列表。

去除页眉页脚

丢弃在大多数页面顶部或底部重复出现的行，以及只有页码的行。不开启的话，页眉会在文档中间每页出现一次。

分页符

在每个 PDF 页面结束的位置保留一个显式分页符。默认关闭，因为 Word 文档会重新排版，句子中间的分页比没有分页更糟。

推断在哪些地方无能为力

• 扫描页面。 扫描件是文字的图像。把它还原成文字需要 OCR，而本工具不做这件事——这些页面会以图片形式保留，让文档保持完整，并且每一页都会在报告中列出。
• 表格。 带线框的表格通常会以阅读顺序输出为文本。要区分真正的表格和恰好对齐的文本只能靠猜测，而猜错会把内容打乱，不只是丢掉网格线那么简单。
• 粗体和斜体。 只有当 PDF 引用了字体而不是嵌入字体时，字重和倾斜才能被还原。无法还原时，标题仍会因为是标题而以粗体输出，正文则以常规样式输出。
• 把页面当作图片。 Word 会重新排版而 PDF 不会，因此结果重现的是结构，而不是像素位置。如果你在意的是视觉版式，那么 PDF 本身就已经在做这件事了。

常见问题

PDF 到底是怎么变成可编辑的 Word 文件的？

PDF 不存储段落——它存储的是带坐标的字形。因此转换器会把几何信息读回来：处在同一高度的字符组成一行，行与行之间的间距决定一个段落在哪里结束、下一个在哪里开始，大于平均值的行则成为标题。结果是一个带有真正段落和列表样式的 .docx，而不是一整块巨大的文本。

对扫描的 PDF 有效吗？

只能部分有效。扫描件存放的是文字的图像而非文字，读回它们需要 OCR，而本工具不做这件事。没有文本层的页面会以图片形式保留，让文档保持完整，并且每一页都会被报告出来，让你知道哪些页面需要重新录入。

为什么版式和 PDF 不完全一致？

因为 Word 文档会重新排版，而 PDF 不会。转换器重现的是结构——标题、段落、列表、对齐、缩进——而不是像素位置，正是这样结果才可编辑。如果你需要保留的是视觉版式，PDF 本身就已经在做这件事了。

表格和分栏会怎样？

带线框的表格通常会以阅读顺序输出为文本，而不是 Word 表格：没有边框信息，要区分真正的表格和恰好对齐的文本只能靠猜测，而猜错会把内容打乱。多栏页面在栏间距明显时会逐栏读取，否则从左到右读取。

可以只转换文档的一部分吗？

可以。在工具栏中设置起始页和结束页，就只会读取该范围。对于篇幅很长的报告，这很值得一做：大部分转换时间都花在解析那些你可能并不需要的页面上。

页眉页脚和页码开关是做什么用的？

页眉或页脚会在 PDF 的每一页重复出现，不处理的话会在 Word 文档中间出现几十次。开启去除功能后，在大多数页面顶部或底部重复出现的行，以及只有页码的行，都会被略去。