nasm纠正性训练指南pdf_PDF转word，一键转换？没有这么简单

为什么发布文档时，一般都选择pdf格式？

PDF，Portable Document Format，可携带文档格式。最大的好处是在不同终端、不同操作系统，它都能够保证版面效果不变，同时它也具有难以编辑的特性。发布传播文档时，希望文档无论在什么终端、系统下都能保持版面不变，同时不希望别人可以随意更改文档，PDF刚好能满足需求。所以发布文档时，大都选择pdf格式。

为什么想要把pdf转换成word或者其他格式呢？

收到文档的人是形形色色的，有很多人想获取pdf中的内容，并编辑。这就产生了pdf转word、pdf转PPT、pdf转excel等的需求。

为了满足这些需求，网络上出现了很多工具软件、网站，都提供PDF到word的一键转换功能。人们很懒的，都想一键转换，但是一键转换怎么可能满足人们多样化的需求呢。当不能得到满意的结果的时候，你有没有想过这些工具软件、网站都是怎么工作的？了解一下，有助于你更高效地解决这个问题。

PDF转word的流程

PDF转word的流程

一、pdf文件

pdf文件可以分为两种：文字版pdf和图片版pdf。

文字版pdf不是指只含有文字的pdf，是指可以直接选中并复制文字的pdf。这种pdf一般是由Word、Indesign、Excel等软件导出生成的，直接含有文字、数据等信息，是矢量的，不会因为放大而看到模糊，清晰度非常高。

图片版pdf，pdf只包含有图形、图片、几何形状，看着有文字，但都是图片化的文字，不可选中复制。图片型pdf可以是由扫描图片组合而成，也可以是由一些手机照片组合而成，它的清晰度由图片的清晰度决定。文字版pdf通过文字转曲线功能，可以得矢量高清的图片版pdf。

文字版pdf往往比图片版pdf更容易转换为其他可以编辑的文档格式，转换效果更好。

pdf转word图片版pdf与文字版pdf

二、图像预处理

如果输入的pdf文件是文字版pdf，那么不需要图像预处理；如果输入的是图片版pdf，就需要预处理。

图像预处理包括：拆分对开页、纠正页面方向、歪斜校正、校直文本行、校正图像分辨率、检测页面边角、加白背景、降低ISO噪点、去除运动模糊、纠正梯形失真等等。

1. 拆分对开页。书籍扫描时使用平板扫描仪，对开的两个页面一次扫描成一个图片，这样可以提高扫描效率。但对开页必须拆开处理，才能提高识别的正确率。对开页如下图。

pdf转word扫描对开页

2. 纠正页面方向。由于扫描时的错误设置或操作，或者其他原因，页面图像旋转了90度或者180度，导致页面方向不正确。页面方向必须得到纠正，才能正确地识别上面的信息。

3. 歪斜校正。在扫描或者拍照时，不论如何小心操作，页面图像或多或少都会有一定的歪斜，因此需要对页面图像进行歪斜校正。如上图，可以明显看出右页有歪斜。

4. 校直文本行。纸张的变形会引用文本行的变形，变形的文本行显然会增加识别难度。校直文本行是一个大难题。如下图，手机拍摄的，文本行弯曲，需要校直。

pdf转word校直文本行

5. 校正图像分辨率。各个工具软件都有自己适合的分辨率，分辨率低了肯定不行，但是也不是越高越好。

6. 检测页面边角、加白背景、降低ISO噪点、去除运动模糊、纠正梯形失真。

这些预处理项目主要是针对手机或相机拍摄得到的页面图像。相对于扫描来说，手机或相机拍摄更难把控页面图像的质量，会出现页面边角难以分辨、产生阴影、出现ISO噪点、手抖造成运动模糊、角度不好造成页面呈梯形、纸面难以压平造成文本行弯曲……如上图，页面边界需要检测；页面暗淡，需要加白背景；也存在梯形失真，需要纠正。

不同的软件对图像预处理的项目、算法不尽相同，最终影响转换效果。

三、版面分析

文字版的pdf可能已经丢失了版面信息，所以仍然需要进行版面分析，才能正确输出。

一个版面中可以包含很多元素，如页眉（天头）、页脚（地脚）、文本、图片、表格、公式、形状、背景等等，排版的形式更是千变万化，两栏、三栏、图片穿插、图文表混排、中英混排、横竖混排等等。这就非常考验软件的版面分析能力了，越复杂，元素越多的版面，分析起来就越困难，分析不正确自然得不到好的结果。如下图，左侧是一个最简单的版面，我想任何一个软件都可以分析正确，可以预期比较好的识别结果；而右侧是一个书籍封面，这个版面可能很少有软件能够正确分析，往往也不能得到好的结果。

pdf转word简单版面与复杂版面

四、OCR识别

OCR，optical character recognition，光学字符识别，就是把已经图片化的文字识别成可编辑的文字。文字版的pdf并不需要进行OCR识别。现在国内的百度、阿里、腾讯等大厂都有自己的OCR引擎，很多pdf转word的软件都是调用了这些引擎。

OCR引擎的好坏关系到文字识别的正确率的高低。俄罗斯的ABBYY finereader的OCR引擎，是比较好的，我一直在使用。

五、输出

一般的软件都可以输出多种格式，就看实际需要什么格式了。在这里着重说一说转出word格式的不同模式。在ABBYY FineReader中输出Word，有“纯文本”和“精确副本”等选项（中间还有其他选项“可编辑副本”和“格式化文本”）。“纯文本”输出时仍然可以选择保留图片、上下标、粗体等，这种方式会丢弃大部分格式信息和位置信息，获得了流排文本，从而获得更好的编辑性；而“精确副本”保留了所有的格式和位置信息，文本分块以图文框定位于文档页面中，各块文本之间失去了联系，不具有流排特征，可编辑性很差。

WPS中的pdf转word功能也提供了类似的选项，“布局优先”和“编辑优先”，其他软件可能也有类似的选项。

选哪种模式，还看需求。如果对输出后的word改动较小，可以“精确副本”；如果要全部重排的，要“纯文本”。

pdf转换word纯文本输出与精确输出

pdf转word的其他文章可以看

阿德：PDF转Word后的难题：一段变多段、分段不正确、每行末多加了回车符​zhuanlan.zhihu.com

阿德：PDF转word——这样的pdf一键转换只是浪费钱​zhuanlan.zhihu.com