PDF轉word,一鍵轉換?沒有這麼簡單

為什麼發布文檔時，一般都選擇pdf格式？

PDF，Portable Document Format，可攜帶文檔格式。最大的好處是在不同終端、不同作業系統，它都能夠保證版面效果不變，同時它也具有難以編輯的特性。發布傳播文檔時，希望文檔無論在什麼終端、系統下都能保持版面不變，同時不希望別人可以隨意更改文檔，PDF剛好能滿足需求。所以發布文檔時，大都選擇pdf格式。

為什麼想要把pdf轉換成word或者其他格式呢？

收到文檔的人是形形色色的，有很多人想獲取pdf中的內容，並編輯。這就產生了pdf轉word、pdf轉PPT、pdf轉excel等的需求。

為了滿足這些需求，網絡上出現了很多工具軟體、網站，都提供PDF到word的一鍵轉換功能。人們很懶的，都想一鍵轉換，但是一鍵轉換怎麼可能滿足人們多樣化的需求呢。當不能得到滿意的結果的時候，你有沒有想過這些工具軟體、網站都是怎麼工作的？了解一下，有助於你更高效地解決這個問題。

01PDF轉word的流程

PDF轉word的流程

02一、pdf文件

pdf文件可以分為兩種：文字版pdf和圖片版pdf。

文字版pdf不是指只含有文字的pdf，是指可以直接選中並複製文字的pdf。這種pdf一般是由Word、Indesign、Excel等軟體導出生成的，直接含有文字、數據等信息，是矢量的，不會因為放大而看到模糊，清晰度非常高。

圖片版pdf，pdf只包含有圖形、圖片、幾何形狀，看著有文字，但都是圖片化的文字，不可選中複製。圖片型pdf可以是由掃描圖片組合而成，也可以是由一些手機照片組合而成，它的清晰度由圖片的清晰度決定。文字版pdf通過文字轉曲線功能，可以得矢量高清的圖片版pdf。

文字版pdf往往比圖片版pdf更容易轉換為其他可以編輯的文檔格式，轉換效果更好。

pdf轉word圖片版pdf與文字版pdf

03二、圖像預處理

如果輸入的pdf文件是文字版pdf，那麼不需要圖像預處理；如果輸入的是圖片版pdf，就需要預處理。

圖像預處理包括：拆分對開頁、糾正頁面方向、歪斜校正、校直文本行、校正圖像解析度、檢測頁面邊角、加白背景、降低ISO噪點、去除運動模糊、糾正梯形失真等等。

1. 拆分對開頁。書籍掃描時使用平板掃描儀，對開的兩個頁面一次掃描成一個圖片，這樣可以提高掃描效率。但對開頁必須拆開處理，才能提高識別的正確率。對開頁如下圖。

pdf轉word掃描對開頁

2. 糾正頁面方向。由於掃描時的錯誤設置或操作，或者其他原因，頁面圖像旋轉了90度或者180度，導致頁面方向不正確。頁面方向必須得到糾正，才能正確地識別上面的信息。

3. 歪斜校正。在掃描或者拍照時，不論如何小心操作，頁面圖像或多或少都會有一定的歪斜，因此需要對頁面圖像進行歪斜校正。如上圖，可以明顯看出右頁有歪斜。

4. 校直文本行。紙張的變形會引用文本行的變形，變形的文本行顯然會增加識別難度。校直文本行是一個大難題。如下圖，手機拍攝的，文本行彎曲，需要校直。

pdf轉word校直文本行

5. 校正圖像解析度。各個工具軟體都有自己適合的解析度，解析度低了肯定不行，但是也不是越高越好。

6. 檢測頁面邊角、加白背景、降低ISO噪點、去除運動模糊、糾正梯形失真。

這些預處理項目主要是針對手機或相機拍攝得到的頁面圖像。相對於掃描來說，手機或相機拍攝更難把控頁面圖像的質量，會出現頁面邊角難以分辨、產生陰影、出現ISO噪點、手抖造成運動模糊、角度不好造成頁面呈梯形、紙面難以壓平造成文本行彎曲……如上圖，頁面邊界需要檢測；頁面暗淡，需要加白背景；也存在梯形失真，需要糾正。

不同的軟體對圖像預處理的項目、算法不盡相同，最終影響轉換效果。

04三、版面分析

文字版的pdf可能已經丟失了版面信息，所以仍然需要進行版面分析，才能正確輸出。

一個版面中可以包含很多元素，如頁眉（天頭）、頁腳（地腳）、文本、圖片、表格、公式、形狀、背景等等，排版的形式更是千變萬化，兩欄、三欄、圖片穿插、圖文表混排、中英混排、橫豎混排等等。這就非常考驗軟體的版面分析能力了，越複雜，元素越多的版面，分析起來就越困難，分析不正確自然得不到好的結果。如下圖，左側是一個最簡單的版面，我想任何一個軟體都可以分析正確，可以預期比較好的識別結果；而右側是一個書籍封面，這個版面可能很少有軟體能夠正確分析，往往也不能得到好的結果。

pdf轉word簡單版面與複雜版面

05四、OCR識別

OCR，optical character recognition，光學字符識別，就是把已經圖片化的文字識別成可編輯的文字。文字版的pdf並不需要進行OCR識別。現在國內的百度、阿里、騰訊等大廠都有自己的OCR引擎，很多pdf轉word的軟體都是調用了這些引擎。

OCR引擎的好壞關係到文字識別的正確率的高低。俄羅斯的ABBYY finereader的OCR引擎，是比較好的，我一直在使用。

06五、輸出

一般的軟體都可以輸出多種格式，就看實際需要什麼格式了。在這裡著重說一說轉出word格式的不同模式。在ABBYY FineReader中輸出Word，有「純文本」和「精確副本」等選項（中間還有其他選項「可編輯副本」和「格式化文本」）。「純文本」輸出時仍然可以選擇保留圖片、上下標、粗體等，這種方式會丟棄大部分格式信息和位置信息，獲得了流排文本，從而獲得更好的編輯性；而「精確副本」保留了所有的格式和位置信息，文本分塊以圖文框定位於文檔頁面中，各塊文本之間失去了聯繫，不具有流排特徵，可編輯性很差。

WPS中的pdf轉word功能也提供了類似的選項，「布局優先」和「編輯優先」，其他軟體可能也有類似的選項。

選哪種模式，還看需求。如果對輸出後的word改動較小，可以「精確副本」；如果要全部重排的，要「純文本」。

pdf轉換word純文本輸出與精確輸出