PDF 轉 Word——不上傳檔案就擷取出可編輯的文字

Word 轉 PDF 是個算繪問題：拿到描述好的版面，把它畫出來。PDF 轉 Word 是反過來，而這個反向並不對稱。往回走是個重建問題，重建比繪製難得多。

PDF 存的是字符，不是句子

PDF 檔案不記錄段落或標題。它記錄的是「在特定座標畫出個別字元」的指令——這正是為什麼 PDF 轉 Word 意味著從位置資料反推結構。

Word 檔案會說「這是一個標題 1，內容是『季度報告』」。PDF 說的則是「用 22 點的字型 F2，移到 x=72 y=782，畫出字符 Q-u-a-r-t-e-r-l-y」。檔案裡沒有任何東西標記它是標題。只能從「它比周圍所有東西都大」這個事實去推斷。

為什麼段落必須反向重建

文字是以座標上的碎片形式出現的，常常在字詞中間被切斷，而且經常完全缺少字詞之間的空格。要還原可讀的文句，得先依垂直位置把碎片聚成行、在水平間距暗示的地方補上空格，再判斷哪些換行只是折行、哪些是段落邊界。

這裡的每一步都是啟發式的猜測。我們的規則有文件記載、也經過測試，但終究是猜的——而這個頁面會標明輸出的哪些部分是猜的，而不是把一切都當成事實呈現。

掃描文件的問題

掃描的 PDF 裝的是文字的圖片，不是文字。沒有 OCR，再怎麼解析也還原不出字。

這是所有 PDF 轉 Word 轉換器最常見的一種失望，也是許多人斷定「這些工具根本沒用」的原因。你把同事掃描的合約拖進去，拿回來的是一份什麼都沒有的 Word 檔——通常連一句解釋都沒有。

OCR 是什麼，以及這個工具為什麼沒有

光學字元辨識（OCR）是看著圖片，判斷哪些形狀是哪些字母。它和讀取文字層是完全不同的技術，速度也慢得多，而瀏覽器版本意味著要把一整個辨識模型送到每位訪客手上。

所以我們做了次好的事：偵測到這種情況就直白地說，而且是在你拖入檔案後看到的第一件事裡說。偵測也考慮到掃描頁很少完全空白——掃描器會蓋上頁碼，殘缺的 OCR 也會留下碎屑——所以只有零星幾個字元的頁面會被判定為掃描頁，而不是文字頁。

這是一個文字擷取器，不是版面轉換器。它把 PDF 裡的文字還原成可編輯的 Word 檔，但不會重現原始的頁面設計。

文字擷取 vs 版面轉換

人們說「PDF 轉 Word」時，其實指兩件很不一樣的事。版面轉換試圖重建整份文件：表格還是表格、分欄還是分欄、圖片留在原位。這需要商用引擎或大量伺服器端機制，而做得好的實作全都在伺服器端。

文字擷取取的是文字、閱讀順序，以及所有能有把握推斷出的基本結構。對非常多實際任務來說——引用一則條款、重用一個段落、把報告裡的數字取出來——這就是全部所需。

誰適合用——誰不適合

適合你，如果你想把 PDF 裡的文字取出來編輯、引用或再利用，而且不希望文件被上傳到陌生人的伺服器。

不適合你，如果你需要 Word 檔看起來和 PDF 一樣、文件裡表格很多，或它是掃描檔。這些情況以及該改用什麼，下面都有說明。

每一個 PDF 轉 Word 工具都在某處畫下這條界線。多數工具只是從不讓你看到界線在哪。

可靠擷取

內文文字。閱讀順序（單欄文件）。粗體與斜體，從內嵌字型名稱推得。超連結的可見文字。

對一般的報告、書信或文章而言，這實際上就是全部內容。

推斷而來——有時會錯

標題層級、段落邊界、項目符號與編號清單。這些是從幾何位置推導出來的，不是從檔案裡讀出來的——預覽把它們標記為「推斷」，正是因為這個原因。

標題層級是怎麼從字級猜出來的

我們把文件中最常見的字符高度當作內文字級，再把明顯更大的內容升級：1.6 倍以上為標題 1，1.35 倍為標題 2，1.15 倍為標題 3。

用最常見值而不是平均值，是刻意的——平均值會被大字標題往上拉，反而讓那個標題無法被認出是標題。基準值也是跨整份文件計算的，所以全用大字排版的扉頁不會扭曲之後每一頁的判斷。

用字重或顏色而非字級來標示標題的文件，其標題不會被偵測到。這是實實在在的限制，純文字模式正是為此而存在。

不支援

表格會輸出為零散文字，而不是表格。圖片不會被帶過去。頁首、頁尾與頁碼會依它們所在的位置被當成普通文字擷取。精確的版面、位置、字型與字級完全不會被重現。

表格、圖片與掃描頁

分欄頁面會被偵測並標示，而不是被無聲地交錯——因為跨欄的閱讀順序確實是模稜兩可的：一篇雙欄學術論文可以逐欄往下讀，也可以橫著整頁讀，而檔案裡沒有記載該用哪一種。

掃描頁不會產出任何內容，並且會在你匯出之前如實回報。

PDF 轉 Word 擷取的實際用途都有一個共同的形狀：你要的是文字，不是設計。

從合約與報告裡引用條文

靠重打把一則條款從 PDF 裡抄出來，恰恰是在最不容許出錯的文件裡邀請抄寫錯誤。擷取讓你一字不差地拿到原文——而對一份合約來說，「它從未離開你的電腦」絕不是可有可無的細節。

重用研究論文的文字

學術 PDF 是這個工具的經典場景，也是它極限的經典場景：文字能乾淨地取出來，但雙欄論文會被標示——因為跨欄的閱讀順序確實無法確定。先擷取，再手動排序。

把發票裡的資料取出來

發票的品項明細放在表格裡，取出時會是零散文字而非表格。即便如此仍比重打快，而且數字會和印出來的一模一樣。

翻新舊文件

把一份舊的 PDF 型錄或手冊變回可編輯的文案，要的通常是文字而非設計——反正設計本來就要換掉。

為什麼隱私在這裡格外重要

人們最想擷取的文件——合約、醫療信函、財務報表——正是最不該被上傳的文件。在本機處理，等於直接讓這個問題消失，而不是回答它。

PDF 轉 Word 很少是最後一步。文字進了 Word、編輯完之後，把它轉回 PDF 是自然的下一步——我們的 Word 轉 PDF 轉換器同樣完全在瀏覽器裡執行，所以這趟來回從不經過任何伺服器。

如果你的素材分散在好幾份 PDF 裡，請先把它們合併再一次擷取，而不是擷取好幾次、再到 Word 裡拼接結果。

這裡的一切都遵循同一條原則：檔案留在你自己的電腦上。同類工具都在免費 PDF 工具頁面，圖片工具則在全部免費瀏覽器工具。