PDF 转 Word 为什么会格式错乱：能保留什么、会丢什么

PDF 和 Word 解决的是不同问题。PDF 保留页面外观，Word 保留可编辑结构。转换是在两种模型之间做翻译，必然有信息被近似或丢失。

这篇文章说明哪些内容通常能保留、哪些容易变化，以及如何在交付前检查结果。

典型的转换失败不是整份文件都乱，而是第一页看着没问题，第三页少了一栏，第七页把发票表格拆成一堆段落。只扫一眼首页很容易漏掉这些变化，所以检查必须看结构，不能只看外观。

两种格式的本质差异

PDF 页面是一块画布。文字放在坐标上，图片画在位置上，字体被嵌入或引用。视觉结果在不同设备上稳定，所以合同、发票和印刷文件常用 PDF。

在文件内部，PDF 用内容流依次执行“移动到某个坐标”“绘制这个字形”之类的指令。它没有段落对象，没有列表对象，词与词之间甚至常常没有空格字符。报表生成器可能把每个词单独绘制，提取时必须根据字形间距推断空格。字体通常做了子集化，字形编号到 Unicode 字符的映射放在 ToUnicode CMap 里；这个映射缺失或错误时，页面看着完美，选中复制却是乱码。

Word 文档是流式结构。文字属于段落，段落属于节，版式由编辑器计算。这让 Word 可编辑，也让固定 PDF 版式无法总是精确表示。.docx 本质是一个装着 XML 的 zip：document.xml 存段落和文本片段，styles.xml 存命名样式，页眉页脚是独立部件。转换器要从坐标反推出这套结构，每一个猜测都可能错。

通常能保留的内容

• 普通段落和标题。
• 加粗、斜体、下划线等基础字符格式。
• 规则行列的简单表格。
• 嵌入图片。
• 超链接，前提是转换器能识别。
• 分页，通常是近似值。

这张表说明“能保留”不是非黑即白。一个标题看起来加粗，却没有应用“标题 1”样式，打印没问题，但导航窗格、交叉引用和无障碍阅读都会失效。一个列表把圆点画成了字符，就无法自动重新编号。

经常变化的内容

• 多栏布局，可能变成单栏或文字顺序错乱。
• 文本框和浮动元素，可能移动位置或变成独立段落。
• 表单和交互字段。
• 公式和专业符号。
• Word 中不存在的自定义字体。
• 绝对定位的页眉、页脚和页码。
• 合并单元格或嵌套表格。
• 位置特殊的脚注和尾注。

转换器改变这些内容不代表它“坏了”，它是在做有损翻译。

具体会怎样失败：双栏论文被从左到右横跨两栏读取，不同章节的句子交错在一起；用文本框排版的简历，侧栏内容跑到正文前面，因为转换器按纵向位置排序；带合并表头的发票，税列和金额失去对应关系；使用自定义字体的合同在字体替换后重新排版，签字栏被挤到下一页。

好的转换器会尽量保留阅读顺序，差的转换器会保留坐标，把每段文字放进独立文本框。后者看起来更像原稿，编辑起来却像在改一张由文本框拼成的图片。

文字版和扫描版 PDF

文字版 PDF 包含真实文字字符。转换器可以提取文字并映射成 Word 段落。

扫描版 PDF 是页面图像，没有可提取的文字。必须用 OCR 识别形状并生成文字。OCR 准确率取决于：

• 扫描分辨率和对比度。
• 页面倾斜和噪点。
• 语言和字符集。
• 字体和字号。
• 版式复杂度。

扫描合同要重点核对姓名、金额、日期和币种。这些字段的 OCR 错误代价很高。

判断文字层只需要几秒。在阅读器里试着选中一句话；能高亮出文字，就说明有文字层。批量处理时用命令行更可靠：pdffonts 列出嵌入字体，pdfimages -list 显示每页是不是一整张图片。没有字体、只有一张大图的页面就是扫描页；有字体但选中后是乱码的页面，通常是 ToUnicode 映射坏了。

最危险的是混合文件。扫描页可能已经带上一层由旧工具生成的 OCR 文字，选得中，但内容是错的；直接提取等于默默相信了那次 OCR。反过来是矢量描边文字：无论怎么放大都清晰，却没有文字层，必须高分辨率栅格化后再 OCR。两种文件屏幕上都很好看，转换时的失败方式完全不同。

OCR 混淆的是形状，不是含义。常见替换有 rn 变成 m、0 变成 O、1 变成 l 或 I、5 变成 S、8 变成 B。中文 OCR 还会混淆未/末、己/已/巳这类形近字，小数点和千分位也经常错位。金额、证件号、日期必须二次校验：重算总额、验算校验位，或者回到源系统比对。

推荐转换流程

1. 判断 PDF 是否有文字层。能在 PDF 阅读器里选中文字，就有。
2. 选择工具：需要可编辑结构用 PDF 转 Word；只要内容用 PDF 转文本；要视觉保真用 PDF 转图片。
3. 先转换一页代表性页面。
4. 在 100% 缩放下和原文件对比。
5. 手工重建复杂表格和版式。
6. 检查页眉、页脚、页码和超链接。
7. 把原始 PDF 作为唯一事实来源保留。

PDF 转 Word 工具 处理文字版 PDF。扫描页需要先用 OCR 工具识别，再清理结果。只需要文字时，PDF 转文本工具 更快。

几个容易踩的运维细节：加密 PDF 要先有所有者密码才能转换；交叉引用表损坏的文件可能需要先修复。要转换最难的那一页，而不是最简单的那一页，样本里至少包含一个表格页和一个图片页。对比时并排放在 100% 缩放下看，把两页都缩放到窗口大小会掩盖字体和间距变化。长文档先转一章，估算清理时间，再决定要不要处理全量。

文件名保留原名并加 -converted 之类的后缀，不要覆盖源文件。如果 PDF 是已签署或已归档的版本，即使编辑了 Word，它仍然是权威副本。

什么时候用文本提取

如果目标是搜索、分析、翻译或文案撰写，PDF 转文本通常比 PDF 转 Word 更好。它避免重建版式，输出更干净。

用 PDF 转 Word 当：

• 需要编辑文档。
• 需要保留标题和样式。
• 需要 Word 文件进入评审流程。

用 PDF 转文本当：

• 只需要内容，不需要格式。
• 要把文本送进搜索索引或语言模型。
• 版式太复杂，重建没有意义。

PDF 转 Word 不适合批量处理上千张发票。每份输出都要人工检查，成本随文件数线性增长；而文本或表格提取流水线只需要一次工程投入。真正的需求是数据时也不该用它：把表格转成 CSV 再解析，不要指望 Word 保留一个你根本不打算编辑的网格。反过来说，当页码、图的位置或签名本身有含义时，文本提取也不合适，因为这些是视觉契约，拍平就丢了证据。

隐私和数据处理

PDF 经常包含机密信息：合同、发票、身份证明、医疗记录。上传到在线转换器前要确认：

• 文件在浏览器内处理，还是上传到服务器。
• 服务保留文件多久。
• 传输是否加密。
• 谁可以访问已存储的文件。
• 文件是否被用于训练或分析。

浏览器内处理、不上传文件的转换器，是敏感文档最安全的选择。如果必须用服务端服务，优先选择有明确保留策略和删除入口的。

有两个 PDF 特有的风险很容易被忽略。第一，涂黑经常是假的：在黑框下面，文字仍然可以被选中和提取，转换器会把它恢复出来。第二，PDF 可能带有元数据、附件、注释和增量更新，旧版本内容仍留在文件里。对外发送前，用能列出附件和元数据的工具检查一遍，必要时重新导出并扁平化。

本地处理减少了网络暴露，但去不掉解析器风险。恶意 PDF 可能攻击阅读器或转换库，所以这些工具要保持更新，未知文件最好在沙箱里打开。涉及法律、医疗或身份文件时，最稳妥的流程往往是在受管设备上离线转换。

检查清单

• 页数和原文件一致。
• Word 里的文字可以选中和搜索。
• 标题使用 Word 标题样式，而不是只加粗。
• 表格行列数正确。
• 图片存在且没有被拉伸。
• 超链接可点击。
• 页码和页眉一致。
• 特殊字符、重音符号和货币符号正确。
• 没有文字被图片遮挡或截断。
• 打开时没有“修复文档”提示。

清单只有配上通过标准才有用。“文字可选中”意味着能跨换行选中一整句，而不是只能选一个词；“标题使用样式”意味着导航窗格里按顺序列出了它们；“表格正确”意味着行列数与源文件一致，每个合并单元格都落在正确的跨度上；“图片存在”还意味着没有被裁切或拉伸。

还要做一次语义检查：挑一段带数字或人名的文字，逐词对比。视觉相似会掩盖漏行、重复句和标点变化。如果文档要给屏幕阅读器使用，测试阅读顺序；PDF 标签在转换后很少保留，Word 自带的无障碍检查器会指出缺少替代文本的图片。

转回 PDF

如果编辑了 Word 文件并需要分发，转回 PDF 后要和原文件对比。Word 转 PDF 可能改变分页、字体和图片压缩。

Word 转 PDF 工具 可以完成这个往返。PDF 太大不便发送时，PDF 压缩工具 可以减小体积，但要确认文字仍然清晰。

往返失败很常见，而且不对称。Word 文件用了本机有、接收方没有的字体，导出的 PDF 会替换字体并改变换行；图片可能被重新压缩，透明度和色彩配置也可能变化；分页可能差一两页，而合同里的页码引用会因此失效。PDF/A 能保住归档外观，但会丢掉部分交互性。

如果文档必须和原稿完全一致，就不要往返转换。改源格式，或者把原 PDF 当作最终版，用补充文件表达修改。

合理的预期

PDF 转 Word 是草稿生成工具，不是完美复制。它对简单文档能节省时间，对复杂文档会留下清理工作。最好的结果来自匹配目标：要结构用 Word，要内容用文本，要视觉用图片。

保留原始 PDF，把转换结果当作工作副本，交付前逐页检查。

存在一个临界点：重建比修复更便宜。四十页的宣传册如果包含分层图片、定制排版和精确位置，在 Word 里修可能比从设计师的源文件重做更慢；带可填写字段的表单应该重建成表单，而不是转成静态段落；公式用公式编辑器重新录入，通常比修补图片更快。

转换之前先问：源文件还在吗？DOCX、LaTeX、InDesign 或 Markdown 原稿能直接提供干净结构。只有当 PDF 是唯一留下的产物时，转换才是合理退路，而不是默认流程。