# PDF 转 Word 为什么会格式错乱：能保留什么、会丢什么

> 解释 PDF 固定版式和 Word 可重排文档的差异，说明文字版与扫描版 PDF、OCR、表格和字体丢失的原因，并给出转换后的检查清单。

**快速答案:** PDF 描述固定页面，Word 描述可重排文档。文字、段落、简单表格和图片通常能转换；多栏布局、文本框、表单、特殊字体和公式经常变化。扫描版 PDF 必须先 OCR 才有文字。转换后要逐页对比，再决定是否使用。

## 核心要点

- PDF 是页面描述格式，不是可编辑文档格式。
- 文字版 PDF 可以直接转换；扫描版 PDF 需要 OCR。
- 复杂版式、表单和自定义字体最容易变化。
- 转换结果是草稿，不保证完全还原。
- 只需要内容时，PDF 转文本通常比 PDF 转 Word 更干净。

---

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。

| 元素 | 常见结果 | 要检查什么 |
| --- | --- | --- |
| 段落 | 通常保留，但间距可能变化 | 换行是段内换行还是新段落 |
| 标题 | 文字保留，样式可能丢失 | 导航窗格和目录是否识别 |
| 列表 | 项目符号可能变成普通字符 | 编号是否连续、缩进是否正确 |
| 加粗斜体 | 通常保留 | 字体切换是否把单词拆成多段 |
| 简单表格 | 网格通常保留 | 合并单元格和列宽 |
| 行内图片 | 通常位置正确 | 分辨率和宽高比 |
| 超链接 | 经常保留 | 相对链接和锚点 |

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](/tools/pdf-to-word) 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](/tools/pdf-to-text) 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。

| 目标 | 最佳工具 | 得到什么 | 主要风险 |
| --- | --- | --- | --- |
| 修改措辞和样式 | PDF 转 Word | 段落和样式 | 版式漂移 |
| 搜索、索引、分析 | PDF 转文本 | 线性文字 | 阅读顺序错误 |
| 翻译文档 | PDF 转文本 | 干净句子 | 表格结构丢失 |
| 归档或打印 | 保留 PDF | 精确外观 | 不改动就没有 |
| 视觉检查 | PDF 转图片 | 渲染后的页面 | 没有可选中文字 |

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](/tools/word-to-pdf) 可以完成这个往返。PDF 太大不便发送时，[PDF 压缩工具](/tools/pdf-compressor) 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。

## 常见问题

### 为什么转换后的 Word 和原 PDF 长得不一样？

PDF 为每个页面元素保存固定坐标，Word 则把内容重排成段落、样式和节。分栏、文本框、浮动图片和特殊字体没有完全等价的 Word 表示，转换器只能近似处理。

### 扫描版 PDF 能直接转成可编辑文字吗？

必须先 OCR。扫描版 PDF 里是文字图像，不是文字字符。OCR 识别形状后生成文字，准确率取决于扫描质量、语言和版式，输出必须人工检查。

### PDF 转 Word 能保留表格吗？

简单表格通常可以。合并单元格、嵌套表格或用独立线条绘制的边框经常丢结构。每个表格都要检查，必要时手工重建。

### 把机密 PDF 上传到在线转换器安全吗？

只有在信任服务和其数据政策时才安全。优先选择在浏览器内处理、不上传文件的工具。机密文件上传前要确认保留期限、加密和访问控制。

### 只想提取 PDF 文字，最好的方法是什么？

用 PDF 转文本工具。它避免重建版式，输出更适合搜索、分析或翻译。扫描版需要先 OCR。

## 参考资料

- [ISO 32000 - PDF 2.0 规范](https://www.iso.org/standard/75839.html)
- [Adobe - PDF 参考和规范](https://opensource.adobe.com/dc-acrobat-sdk-docs/)
- [Microsoft - Open XML SDK](https://learn.microsoft.com/en-us/office/open-xml/open-xml-sdk)
- [W3C - PDF 无障碍](https://www.w3.org/WAI/standards-guidelines/wcag/)

---

- Canonical: https://www.jsonmind.com/zh-CN/guides/pdf-to-word-what-survives
- Locale: zh-CN
- Published: 2026-11-09
- Updated: 2026-11-09
- Tools: pdf-to-word, pdf-to-text, pdf-to-image, word-to-pdf, pdf-compressor