为什么要 PDF 转 Word
PDF 是固定排版格式，不易编辑。Word 是可编辑文档。收到 PDF 想修改内容，需要转成 Word。
常见场景：
- 修改合同条款
- 编辑收到的 PDF 资料
- 提取 PDF 里的文字
- 重新排版 PDF 内容
PDF 的两种类型
文本型 PDF
由 Word 等文档直接导出的 PDF。内含文本层，文字可选中复制。转 Word 相对容易，排版还原度高。
扫描型 PDF
纸质文档扫描成的 PDF。本质是图片，没有文本层。文字不能选中复制。转 Word 需要 OCR（光学字符识别）。
文本型 PDF 转 Word
提取文本层
文本型 PDF 有文本层，直接提取文字：
- 读取 PDF 的文本内容
- 按段落和排版重组
- 生成 Word 文档
排版还原
还原度取决于 PDF 的结构信息：
- 简单文档（纯文字段落）：还原度高
- 复杂排版（多栏、文本框）：还原度一般
- 表格：可能变成普通文本或错位
- 图片：保留但位置可能偏移
扫描型 PDF 转 Word
需要 OCR
扫描型 PDF 没有文本层，要先用 OCR 识别图片里的文字，再生成 Word。
OCR 识别
OCR 把图片里的文字识别成文本：
- 图像预处理（灰度化、二值化、去噪）
- 文字区域检测
- 字符识别
- 后处理（校正、分段）
OCR 准确率
- 清晰印刷体：95% 以上
- 手写体：70%-90%
- 模糊扫描：大幅下降
- 复杂排版（表格、公式）：识别困难
中文 OCR
中文 OCR 比英文难（字库大、字形复杂）。好的 OCR 引擎能识别常用中文字，生僻字可能出错。
用 PDF OCR 工具 识别中文 PDF：
- 上传扫描型 PDF
- OCR 识别
- 输出可编辑文本
排版还原的难点
字体差异
PDF 里的字体转 Word 后可能变成默认字体。原字体需要系统安装才能还原。
段落识别
PDF 里没有明确的段落标记，靠间距判断段落。判断不准导致段落合并或拆分错误。
表格还原
PDF 表格是线条和文字的组合，没有表格结构信息。转 Word 时要重建表格结构，复杂表格容易错位。
多栏排版
多栏 PDF 转 Word，栏的顺序可能乱。需要识别栏结构后按正确顺序提取。
图片位置
PDF 里图片位置是绝对坐标，转 Word 后用文字环绕定位，位置可能偏移。
转换步骤
1. 判断 PDF 类型
尝试选中文字。能选中是文本型，不能选中是扫描型。
2. 选择方法
- 文本型：直接转换
- 扫描型：先 OCR 再转换
3. 转换
- 上传 PDF
- 工具自动识别类型并转换
- 下载 Word 文档
4. 校对修正
转换后必须人工校对：
- 文字是否正确（OCR 件尤其要校对）
- 排版是否对
- 表格是否完整
- 图片是否保留
提高还原度的技巧
源 PDF 质量要好
- 清晰度高
- 没有倾斜
- 没有污渍
简化排版
复杂排版的 PDF 转换效果差。如果可能，用简单排版的源文档。
分段转换
超长 PDF 分段转换，每段单独校对。
表格手动重建
复杂表格转换后往往错位。在 Word 里手动重建表格，复制文字进去。
图片单独处理
图片在 Word 里重新插入定位，比转换自动定位准确。
常见问题
转完是图片不是文字
- 扫描型 PDF 没经过 OCR
- 解决：先用 OCR 识别
文字乱码
- PDF 用了特殊字体编码
- OCR 识别错误
- 解决：换转换工具，或手动修正
表格错位
- PDF 表格结构复杂
- 解决：手动重建表格
排版全乱
- 复杂排版（多栏、文本框）
- 解决：接受不完美，手动调整
中文识别错误多
- OCR 引擎对中文支持不好
- 扫描质量差
- 解决：用好的 OCR 工具，提高扫描质量
PDF 转 Word 的局限
无论什么工具，PDF 转 Word 都无法 100% 还原。因为 PDF 是"最终呈现"格式，丢失了文档的结构信息（段落、样式、表格结构）。
转换结果是"近似还原"，需要人工校对修正。把转换后的 Word 当初稿，在此基础上修改。
小结
PDF 转 Word 先判断类型：文本型直接转，扫描型先 OCR。排版还原有局限，表格和复杂排版要手动修。转换后必校对。DocsAll PDF 转 Word 工具 和 PDF OCR 工具 浏览器端运行，文件不外传。