跳到正文
文章

如何把 PDF 转成可编辑的 Word

文件在 Word 里打开了,光标却进不了文字?默认设置为什么给你的是图片,流式模式与图像版有何不同,页眉页脚又去了哪里。

简言之: 要得到真正能编辑的 Word 文件,请在 PDF 转 Word 在线中把结果类型切换为“可编辑文本”(流式):默认的图像版会把每一页作为图片放进去,下面只有一层隐藏的可搜索文字层。流式模式则会重建段落、标题和真正的 Word 表格。

专题

操作指南

操作指南: PDF guidance for reliable document processing and quality checks.

13 篇文章

主要工具

在线 PDF 转 Word

打开本文提到的工具,并以当前界面语言完成操作。

打开工具

目录

把 PDF 转成可编辑的 Word 文档

需求几乎总是一样的:别人发来的 PDF 里有几段话需要修改。而第一次尝试几乎总会让人失望。文件在 Word 里能打开,看起来完美无缺,可光标就是进不了文字里。这不是转换失败,而是默认设置造成的结果。

默认得到的是图片,而不是文字

这个工具有两种模式,切换它们的选项叫“结果类型”。默认预选的是“图像版(不可编辑)”,它做的事和承诺的完全一致:逐字逐句保留页面的外观。做法也很直接:每一页 PDF 都被渲染成图片,整张放进 Word 文档里。

于是就有了被偷换的感觉。它是 .docx,能在 Word 里打开,页面的尺寸和方向都和原件一致,可就是没有任何可编辑的东西:页面上放的是图片。

第二种模式“可编辑文本”(流式)会把页面拆开,再用这些碎片重建出真正的 Word 文档:段落、标题、列表和表格。它为此付出的代价是页面上各元素的精确位置。

模式里面是什么你能做什么
图像版每页的图片,加一层隐藏的文字层阅读、搜索文字、打印
可编辑文本(流式)Word 段落、标题、列表和表格编辑文字、重新设置样式、处理表格

选择取决于任务,而不是质量。需要原样以常见办公格式继续流转的文档,适合图像版。需要修改的文档就要选流式,把图像版的设置调得再好,也得不到可编辑的文字。

图像版文件里有什么

页面图片并不是全部内容。图片下面还放着从 PDF 中提取出来的文字,并标记为隐藏:它在屏幕上和打印时都看不到,但在整份文档里搜索时能找到。

这就让图像版在看似没用的地方派上了用场。需要传阅、之后还要搜索措辞的合同,用这种方式就很合适:外观得以保留,搜索可用,也没有人会不小心改动它。工具处理完成后会自己提醒你,告诉你该文档不是可编辑文字,这条提示值得读一读,不要直接关掉。

页面尺寸和方向逐页取自源 PDF。纵向文档中间夹着的横向插页,仍然是横向。

如何得到可以编辑的文档

1. 打开PDF 转 Word 在线并上传文件。 2. 把结果类型切换为“可编辑文本”(流式)。这是唯一重要的操作,默认设置不会替你完成。 3. 决定是否需要页面预览(下文会讲),不需要就关掉。 4. 运行任务并下载 .docx。 5. 打开文档,查看导航窗格:它会显示识别出了哪些标题。 6. 检查表格和第一页,这两处最常出现损失。

页眉页脚会被有意去掉

流式模式会对整份文档单独做一轮扫描,查找重复的行。有两个条件:这一行必须位于页面顶部或底部的十分之一区域内,并且至少在三页上重复出现,同时出现在至少一半的页面上。同时满足这两条的内容,都会从结果中去掉。

比较并不是机械的。连续的数字会被合并,所以“第 4 页”和“第 5 页”算作同一行。但合并只在这一行里还留有文字时才起作用:页脚如果只有一个光秃秃的数字,就会按原样比较,三页上三个不同的数字彼此并不相等。实际效果是,写着“机密。第 7 页”的页脚会消失,而只有一个数字的页脚会作为段落留在每一页上。

在一份四页的报告上测试过:`Confidential report Page N` 这一行在流式结果中不存在,在图像版结果中则存在,因为在图像版里页面本来就是一张图片,没有什么可以从中去除。

这个机制也有缺点。如果文档标题用大号字排在每页最顶端,且各页完全相同,它也适用同一条规则,会和页眉一起被删掉。当这一行很重要时,手动把它打回去,比找原因更快。

标题由字号决定

结果中的标题样式不是凭空生成的。工具首先在整份文档范围内判断哪个字号是正文字号。它统计的是字符数而不是行数,所以偶尔出现的大号题注永远不会在统计中胜出。

然后每个文本块都与这个字号比较。比正文大约大 15% 的是二级标题,大一半或更多的是一级标题。其余都保持普通段落。文字本身也得像标题:一个以句号结尾的长句,不管用什么字号排版,都不会变成标题。

这样一来,对没有使用样式排版的文档,其表现是可预期的。如果全部文字都是同一个字号,各章节只靠加粗来标记,Word 文件里就一个标题也没有:字号没有差别,就无从判断。导航窗格会是空的,结构只能手动补上。

表格仍然是表格

表格由一个单独的检测器找出,PDF 转 Excel 在线使用的也是它。检测到的表格会作为带可见网格线的真正 Word 表格出现在文档中,而不是用空格填充的段落。

落在检测到的表格范围内的文本块,会从段落流中剔除;否则单元格内容会出现两次,一次是表格,一次是正文。阈值是与该文本块面积重叠六成。

表格落在哪里,由它的上边缘决定:它会插在第一个起始位置低于它的段落之前。在普通单栏页面上,这样得出的顺序是对的。在双栏页面上,表格可能出现在原来位置之外的地方,因为两栏的段落在文件中是依次排列的,而它们的高度却是交错的。

如果某一页的表格检测失败,任务不会崩溃:该页会作为普通文字输出,响应中还会带有一条列出这些页码的警告。这里不会出现悄无声息的空结果。

文件大小与页面预览

流式模式默认会在每页文字之后添加该页的一张图片,这样就有了可以对照检查结果的参照。没有别的东西对文件大小的影响有这么大。

以同一份四页文档实测:

结果大小
图像版671 KB
流式,含页面预览315 KB
流式,不含预览37 KB

源 PDF 大约 4 KB。首尾两行相差十八倍,全部差距都来自图片。如果文档是要投入实际工作,而不是用来对比,请立刻关掉预览:它们不能编辑,不参与文字,还会妨碍校对。

图像版完全忽略预览设置,因为它的页面本来就是图片。

没有文字层的扫描件

扫描文档是一张图片,里面没有任何可提取的东西。在图像版下,结果就是把同一份扫描件重新打包成 .docx。在流式模式下,页面输出为空,每一页的位置上有一条说明,提示该页是空白的。

解决办法要放在转换之前,而不是之后:先用OCR PDF 在线处理文件,得到带文字层的 PDF,然后再转成 Word。反过来行不通,因为到时就没有东西可供识别了。

用打开密码锁定的文档同样无法转换;任务会停下来并要求输入密码。请用解锁 PDF 在线解除保护。只限制打印或复制的密码不会造成妨碍。

修改完成后,文档通常还要转回 PDF。这要用Word 转 PDF 在线,它有自己的字体替换行为,值得提前了解。

作者

由服务团队编写;Sergey Gagin 负责本服务

关于本项目

常见问题

因为结果类型默认是“图像版”:每一页都作为图片插入,图片下面有一层供搜索用的隐藏文字层。要得到可编辑的文档,请把结果类型切换为“可编辑文本”(流式),再转换一次。
在流式模式下,检测到的表格会作为带可见网格线的真正 Word 表格输出。如果某一页的表格检测失败,该页内容会作为普通文字输出,响应中还会带有一条列出这些页码的警告。
流式模式会去掉位于页面顶部或底部十分之一区域内、至少在三页上重复出现且出现在至少一半页面上的行。每页顶部相同的文档标题也适用同一规则。
不能直接编辑。扫描件没有文字层,所以流式模式会输出空白页。请先用 OCR PDF 在线处理文件,再把得到的 PDF 转成 Word。
文件只用于你选择的操作,处理完成后会自动删除。我们不会使用上传的文档来训练 AI 模型。

该专题的更多内容

相关工具

← 全部转换工具

接下来做什么

阅读之后,如需了解下一步怎么做或服务的相关信息,请打开以下页面。

全部工具

PDF 工具目录:在浏览器中合并、压缩、拆分、转换、旋转、保护和解锁 PDF 文件,无需安装任何软件。

常见问题

查看有关 iHatePDF 账号、文件处理、上传限制、手机使用、隐私,以及 PDF 工具报错时该怎么办的解答。

联系我们

如有处理错误、工具选择、安全问题、商务合作或新功能建议,欢迎联系 iHatePDF。联系时请简要说明遇到的问题和使用的工具。