PDF 转成 Word 后，什么留下了，什么消失了

弄清楚原因，就知道该挑什么工具、能指望到什么程度。

PDF 是印刷品，不是文档

PDF 里装着的只是一长串指令：在横 72、纵 680 的位置印下这个字。段落在哪里断开、哪两行属于同一个表格的同一行，文件里任何地方都没有记录。

因为文档导出成 PDF 的那一刻这些信息就被丢掉了，就像印在纸上的内容不需要段落信息一样。所以把它还原不是转换，而是重建：靠文字摆放的位置来推测原来的样子。

这一句话就能解释其余的一切。表格之所以歪，不是因为转换器读错了表格，而是因为根本没有表格可读，只能靠位置重新拼一个出来。

能推断的，和压根不存在的

把这两类分开，就知道什么能改进、什么不可能。

• 能推断的。段落划分（靠行距和每行在哪里停住）、表格（靠格子是否上下对齐）、标题（靠字号是否大于正文）。算法变好，准确率就会上升。
• 能直接取出的。文字本身，以及印在页面上的图片和印章。它们是文件里实实在在的对象，不需要猜。
• 压根没记录的。原件用的是 Word 的哪个样式、表格在哪里合并了单元格、段落之间空了几磅。这些没有任何工具能造出来。

当心那些号称完全还原版式的转换器

有些工具宣传输出和原件像素级一致。打开一看确实如此。然后你改一行，文档就散了。

要做到那样，只能把文字塞进几百个钉在固定坐标上的文本框，而不是放进段落。这样搭出来的文档看着像原件，却没法在里面工作。删掉一个字，只有那个框会重排，周围的一切纹丝不动。

转换的存在是为了让你能改。改不了的输出就失去了意义。如果目标是看起来一模一样，那一开始就没有转换的理由。

表格出错的真正原因

PDF 里的表格经常压根没有框线。就算有，那些线也画在与文字不同的图层上，任何取文字的程序都看不见。靠找线来识别表格的做法之所以常常失败，原因就在这里。

所以读的是位置：若干行里左边缘站在同一处的格子，就当成一个表格。这个办法最怕空单元格。空单元格在文件里不留任何痕迹，于是那一行看起来就少了一格，后面的内容整体错开一位。

合并单元格也一样。你的眼睛看到两格并成一格，文件里不过是有一段文字比邻居稍微靠左而已。

扫描的 PDF，任何工具都转不了

一体机扫出来的 PDF，每页就是一张照片。你的眼睛看到字，文件里一个也没有。这不是工具的能力问题，而是原件里没有信息。

用文字识别（OCR）可以从图片里造出文字。但那是识别而不是提取，会混进把数字 0 读成字母 O 这类错误。在合同或提交材料里，这种错误代价很高。能向出具方要原始文件的话通常更快。

归结起来

挑转换器该问的不是「像不像」，而是「改不改得了」。而当结果不完美时，能分清这是工具的极限还是格式的极限，就能省下反复换工具的时间。