PDF 转 Word——不用上传文件就能提取可编辑文字

Word 转 PDF 是一个渲染问题：拿着一份描述好的版式，把它画出来。PDF 转 Word 是反过来的，而这个反向并不对称。倒着走是一个重建问题，重建远比绘制难。

PDF 存的是字形，不是句子

PDF 文件不记录段落和标题。它记录的是「在特定坐标画出某个字符」的指令，所以把 PDF 转成 Word，意味着要从位置数据里反向推导出结构。

Word 文件会说「这是一个一级标题，内容是季度报告」。PDF 会说「用 22 磅的 F2 字体，移动到 x=72 y=782，画出字形 季-度-报-告」。文件里没有任何地方标记它是标题。只能从「它比周围所有文字都大」这个事实推断出来。

为什么段落必须靠反向推导

文字是以坐标上的碎片形式到来的，经常在词中间被切断，字与字之间的空格也常常完全缺失。要还原可读的文字，就得按垂直位置把碎片聚成行，在水平间距暗示有空格的地方补上空格，再判断哪些换行是折行、哪些是段落边界。

这里的每一步都是启发式规则。我们的规则有文档、有测试，但它们终究是猜测——所以这个页面会标出输出中哪些部分是猜的，而不是把全部内容都当成事实呈现。

扫描文档的问题

扫描 PDF 里装的是文字的图片，不是文字。没有 OCR，再怎么解析也还原不出文字。

这是所有 PDF 转 Word 转换器最常见的失望来源，也是很多人断定「这些工具根本不管用」的原因。你把同事扫描的合同拖进去，拿回来一份什么都没有的 Word 文件——而且通常连一句解释都没有。

OCR 是什么，为什么这个工具没有它

光学字符识别（OCR）看的是图片，判断哪些形状是哪些字母。它和读取文字层是完全不同的技术，速度也慢得多，而浏览器端的实现意味着要给每位访客下发一整个识别模型。

所以我们做了退而求其次但更诚实的事：检测出这种情况并明白告诉你，而且是在你拖入文件后看到的第一条信息里。检测逻辑考虑到了扫描页很少完全为空——扫描仪会打上页码，不完整的 OCR 也会留下残迹——所以只有寥寥几个字符的页面会被判定为扫描件，而不是文字页。

这是一个文字提取器，不是版式转换器。它把 PDF 里的文字还原成一份可编辑的 Word 文件，但不会重现原始的页面设计。

文字提取与版式还原

人们说「PDF 转 Word」时，其实指两件很不一样的事。版式还原试图重建整份文档：表格还是表格、分栏还是分栏、图片在原位。这需要商业引擎或大量服务端设施，而做得好的实现全都在服务端。

文字提取拿到的是文字本身、阅读顺序，以及能有把握推断出来的基础结构。对很多真实任务来说——引用一条条款、复用一个段落、从报告里取几个数字——这就已经是全部所需。

适合谁用，不适合谁用

适合你，如果你想把 PDF 里的文字拿出来编辑、引用或改写，而且不希望自己的文档被上传到陌生人的服务器。

不适合你，如果你需要 Word 文件看起来和 PDF 一样、文档里表格很多，或者它是一份扫描件。这些情况下面会逐一说明，并告诉你该改用什么。

每个 PDF 转 Word 工具都会在某处画下这条界线。只是多数工具从不告诉你线画在哪。

可靠提取

正文文字。单栏文档的阅读顺序。粗体和斜体——从内嵌字体的名称推断得出。超链接的可见文字。

对一份普通的报告、信函或文章来说，这实际上已经是全部内容。

靠推断——有时会错

标题层级、段落边界、项目符号和编号列表。这些是从几何信息推导出来的，不是从文件里读出来的——预览把它们标注为「推断」，原因正在于此。

标题层级是怎么按字号猜出来的

我们把文档中最常见的字形高度当作正文字号，然后把明显更大的内容升为标题：1.6 倍及以上是一级标题，1.35 倍是二级标题，1.15 倍是三级标题。

用最常见字号而不是平均值，是有意为之——平均值会被一个很大的标题拉高，反而让那个标题再也无法被识别成标题。基准也是在整份文档范围内计算的，所以一张通篇大字的扉页不会带偏后面的每一页。

不支持

表格会以零散文字的形式输出，而不是表格。图片不会被带过去。页眉、页脚和页码会被当作普通文字提取，出现在它们原本所在的位置。精确的版式、位置、字体和字号完全不会被还原。

表格、图片与扫描页

分栏页面会被检测出来并标记，而不是被悄悄交错混排——因为跨栏的阅读顺序确实存在歧义：一篇双栏的学术论文既可以逐栏读，也可以横排读，而文件本身并没有说是哪种。

扫描页不会产出任何内容，并且会在你导出之前就报告出来。

PDF 转 Word 提取的现实用途都有一个共同点：你要的是文字，不是设计。

从合同和报告里引用条款

靠手打把 PDF 里的一条条款逐字誊出来，恰恰是在最容不得错的那类文档里制造誊写错误。提取能把措辞原封不动地交给你——而对一份合同来说，「它从未离开过你的机器」绝不是可有可无的细节。

复用学术论文的文字

学术 PDF 是这个工具的经典场景，也是它局限的经典场景：文字能干净地提出来，但双栏论文会被标记出来，因为阅读顺序确实存在歧义。先提取，再手动调整顺序。

从发票里取数据

发票的明细行在表格里，出来的是零散文字而不是网格。即便如此，还是比手打快，而且数字和打印出来的完全一致。

翻新旧文档

把一份旧的 PDF 宣传册或手册重新变成可编辑的文案，要的通常就是文字而不是设计——设计本来就是要换掉的。

为什么这里的隐私格外重要

人们最想提取文字的文档——合同、医疗信函、财务报表——恰恰是最不该上传的文档。本地处理不是回答了这个问题，而是让这个问题根本不存在。

PDF 转 Word 很少是最后一步。文字到了 Word 里、编辑完之后，把它转回 PDF 是顺理成章的下一步——我们的 Word 转 PDF 转换器同样完全在浏览器里运行，所以这一来一回都不会经过任何服务器。

如果你的素材分散在多份 PDF 里，先合并它们再提取一次，比提取好几次再到 Word 里拼接省事得多。

这里的一切都遵循同一条原则：文件留在你自己的机器上。同类工具都在免费 PDF 工具页面，图片工具在全部免费浏览器工具。