PDF 轉成 Word 後，什麼留下了，什麼消失了

弄清楚原因，就知道該挑什麼工具、能指望到什麼程度。

PDF 是印刷品，不是文件

PDF 裡裝著的只是一長串指令：在橫 72、縱 680 的位置印下這個字。段落在哪裡斷開、哪兩行屬於同一個表格的同一列，檔案裡任何地方都沒有紀錄。

因為文件匯出成 PDF 的那一刻這些資訊就被丟掉了，就像印在紙上的內容不需要段落資訊一樣。所以把它還原不是轉換，而是重建：靠文字擺放的位置來推測原本的樣子。

這一句話就能解釋其餘的一切。表格之所以歪，不是因為轉換器讀錯了表格，而是因為根本沒有表格可讀，只能靠位置重新拼一個出來。

能推斷的，和根本不存在的

把這兩類分開，就知道什麼能改進、什麼不可能。

• 能推斷的。段落劃分（靠行距和每行在哪裡停住）、表格（靠格子是否上下對齊）、標題（靠字級是否大於內文）。演算法變好，準確率就會上升。
• 能直接取出的。文字本身，以及印在頁面上的圖片與印章。它們是檔案裡實實在在的物件，不需要猜。
• 根本沒紀錄的。原件用的是 Word 的哪個樣式、表格在哪裡合併了儲存格、段落之間空了幾點。這些沒有任何工具能造出來。

當心那些號稱完全還原版面的轉換器

有些工具宣傳輸出和原件像素級一致。打開一看確實如此。然後你改一行，文件就散了。

要做到那樣，只能把文字塞進幾百個釘在固定座標上的文字方塊，而不是放進段落。這樣搭出來的文件看著像原件，卻沒辦法在裡面工作。刪掉一個字，只有那個方塊會重排，周圍的一切紋風不動。

轉換的存在是為了讓你能改。改不了的輸出就失去了意義。如果目標是看起來一模一樣，那一開始就沒有轉換的理由。

表格出錯的真正原因

PDF 裡的表格經常根本沒有框線。就算有，那些線也畫在與文字不同的圖層上，任何取文字的程式都看不見。靠找線來辨識表格的做法之所以常常失敗，原因就在這裡。

所以讀的是位置：若干列裡左緣站在同一處的格子，就當成一個表格。這個辦法最怕空儲存格。空儲存格在檔案裡不留任何痕跡，於是那一列看起來就少了一格，後面的內容整體錯開一位。

合併儲存格也一樣。你的眼睛看到兩格併成一格，檔案裡不過是有一段文字比鄰居稍微靠左而已。

掃描的 PDF，任何工具都轉不了

事務機掃出來的 PDF，每頁就是一張照片。你的眼睛看到字，檔案裡一個也沒有。這不是工具的能力問題，而是原件裡沒有資訊。

用文字辨識（OCR）可以從圖片裡造出文字。但那是辨識而不是擷取，會混進把數字 0 讀成字母 O 這類錯誤。在合約或送件資料裡，這種錯誤代價很高。能向核發單位要原始檔案的話通常更快。

歸結起來

挑轉換器該問的不是「像不像」，而是「改不改得了」。而當結果不完美時，能分清這是工具的極限還是格式的極限，就能省下反覆換工具的時間。