扫描PDF转Word

为什么普通转换工具只给你一张图

大多数PDF转Word工具，包括我们自己的那个，都是读取PDF里本来就存好的文字。对于从Word或谷歌文档导出的文件，这没有任何问题。可扫描仪并不保存文字，它保存的是每一页的图片。转换工具找不到可读的文字，只好把图片原样贴进Word。

打开.docx，点一下某个段落，整页都被当成一张图选中。我自己就碰到过，房东发来的租房合同就是这样，特别让人抓狂。字明明就在眼前，却一个都改不了。

要解决这个问题，第一步得做OCR（光学字符识别）。必须有程序去看这些像素，判断这个形状是“中”，那个是“7”。有了识别出来的文字，才谈得上放进Word。

这个工具会怎么处理你的扫描件

每一页都会交给Tesseract处理，这是一款开源OCR引擎，很多正经的识别软件都是在它的基础上做出来的。识别之前会先把页面摆正，因为扫描件哪怕只歪了一两度，漏掉的字也会多得惊人。本身已经带有文字的页面，会直接沿用原有文字。

接下来是我花时间最多的部分。OCR的原始结果只是一行一行零散的文字，直接粘进Word，每行末尾都会多出一个硬回车。转换器会根据行距和字号重新拼出段落，把信头、章节标题这类大字号的行设成Word标题。扫描件的每一页，在文档里也从新的一页开始。

下载到的是一个干净简单的.docx，用的都是常规样式，没有浮在图片上的文本框。你可以一次性改全文字体、做拼写检查，或者把某几段复制到别的文档里，不会带上乱七八糟的格式。

选对语言比你想的更重要

Tesseract知道要识别哪种语言时，准确率会高很多。用英文设置去读一份中文文件，出来的基本是一堆没法看的符号，因为汉字需要专门训练过的模型。竖排的文字容易读乱顺序，横排的资料效果更好。简体和繁体是两个选项，别选错了。

列表里一共有20种语言，在这个中文页面上已经默认选好了简体中文。如果文档里混着两种语言，就选占大部分内容的那一种。

怎样得到干净的结果

• 用300 DPI扫描。低于200 DPI，小字就会糊成一团。
• 黑白或灰度就够了。彩色对识别没帮助，只会让文件变大。
• 纸张尽量放平。书本靠近装订线的地方文字会弯曲，很难识别。
• 手机拍照也可以，前提是页面占满画面，而且要从正上方拍，不要斜着拍。
• 传真件和复印了好几遍的文件也能转，只是错误会多一些，一定要校对。

就算扫描质量很好，发给别人之前也要通读一遍。OCR经常把0和O、1和l弄混。发票和合同里的金额，最好再核对一次。

擅长什么，不擅长什么

它最擅长文字多的页面：信件、合同、报告、会议纪要、老的打字稿、书里的某一章。只要你的目的是把文字找回来再编辑，基本都能胜任。

实话实说，它也有短板。表格会变成一行行文字，而不是Word表格。双栏排版一般能按正确顺序读出来，但带很多方框和侧栏的页面可能会乱。照片和标志不会保留。手写字基本没戏。

收费软件会尽量还原页面的原样。效果好的时候确实厉害，但很多时候生成的Word满是文本框，加一句话整页就乱了。我特意反其道而行：把文字识别准，结构保持简单，排版留给你自己来定。

你的文件会怎样处理

OCR的计算量很大，所以是在我们的服务器上完成，而不是在你的浏览器里。PDF通过HTTPS上传，在队列里排队处理，转换一结束就会删除。Word文件只保留到你下载完为止，之后自动清除。没有人会看你的文件。

不用注册账号，不用填邮箱，正文上也不会加水印。每个文件最多100页。十页左右的文件，通常不到一分钟就能转好。