如何将扫描的 PDF 转换为 Word，以及为什么效果参差不齐

两个 PDF 在屏幕上看起来可能一模一样，转换成 Word 时的表现却截然不同。一个是从文字处理软件保存的，包含真正的文字。另一个是用扫描仪或手机摄像头生成的，每一页都是一张文字的照片。要把第二种变成可编辑的文档，转换器必须先从图片中把字认出来，再推测页面原来的版式。这两步都可能出错，本指南将解释会在哪里出错、为什么会出错，以及您可以怎么办。

如何判断您的 PDF 是否是扫描件

最快的测试方法是试着选中一个词。如果光标在整页上拉出一个框，而不是高亮那个词，那么这一页就是图片。第二个测试是用 Ctrl+F（Mac 上为 Cmd+F）搜索：扫描的页面什么也找不到，哪怕是您明明能看见的词。

放大页面也有帮助。真正的文字在任何缩放比例下都保持清晰，因为它是用字体绘制的。扫描的文字放大后会变得模糊、出现块状，因为它是由像素组成的。

有些扫描件是混合的。扫描软件在保存文件时常常会运行文字识别，并把识别出的文字藏在图片后面，这样您就可以选择和搜索。不过，这层隐藏的文字只和扫描软件的猜测一样准确。把一段文字复制到纯文本编辑器中，您就能看到里面究竟是什么，连认错的地方也一清二楚。

OCR 究竟做了什么

OCR，即光学字符识别，是把文字的图片变成字符的过程。它分几个阶段进行。首先清理图像：如果有倾斜就把它扶正，并调整对比度。然后，软件找出包含文字的区域，把它们拆分成行和词，再把每个形状与它学到的字母样子进行比对，遇到难以判断的情况时，借助该语言的词典来定夺。

词典很重要，因为它只能帮助识别词语。如果 OCR 把“invoice”读成了以小写字母 L 开头的“lnvoice”，词典会把它纠正回“invoice”。但如果它把账号 1045 读成了 1O45，就没有任何东西可以用来纠正它。常见的混淆发生在许多字体中长得很像的字符之间：0 和 O，1 和 l 和 I，5 和 S，8 和 B，以及字母组合“rn”，它可能会变成“m”。这就是为什么 OCR 的错误往往藏在数字、姓名和代码里，也是为什么它们最需要仔细核对。

为什么不同扫描件的效果差别这么大

同一个转换器，可能从一份扫描件中得到近乎完美的文字，却把另一份弄得一团糟。差别几乎总是出在图像上：

• 分辨率。为 OCR 扫描文档时，通常建议使用 300 DPI。低于约 200 DPI 时，小号字体会失去区分相似字母所需的细节。非常小的字，比如脚注和表格背面的条款，用 400 DPI 或更高会更好。
• 角度和弯曲。斜着拍摄的页面，或者向书脊方向弯曲的书页，会让文字行不再是直的。扶正会有帮助，但弯曲的行常常会出现漏词或词语粘连。
• 对比度和背景。彩色纸张、荧光笔、盖在文字上的印章，以及复印件的复印件那种模糊的字迹，都会让字母更难与背景区分开。
• 过度压缩。以低 JPEG 质量保存的扫描件，每个字母的边缘都会变模糊，周围还会有污渍状的杂点。传真质量的黑白图像则会让细笔画断开。
• 手写字。用于文档转换的 OCR 是为印刷文字设计的。手写的笔记和签名通常会被认错，或者作为图片保留下来。
• 语言和版式。识别是针对每种文字和语言分别训练的，所以较少见的文字和多语言混排的页面更难识别。多栏排版、没有线条的表格以及压在图片上的文字，会让版式还原这一步更加困难。

为什么即使文字正确，Word 文件看起来也可能不一样

识别字符只是工作的一半。转换器还必须把页面重建成 Word 能理解的样子，而这里存在一个取舍。它可以把文字写成正常的连续段落，这样容易编辑，但会偏离原来的版式。也可以把每个文字块固定在其确切的位置上，这样看起来没错，但编辑起来很别扭，因为在一个文字块中输入内容，并不会把下一个文字块往下推。

其他差异则来自扫描件中根本不包含的信息。OCR 无法知道原来用的是什么字体，所以 Word 会用一种相似的字体，换行位置也就随之改变。有表格线的表格可以重建为 Word 表格，但没有线条的表格可能会变成用制表符或空格隔开的文字。页眉、页脚和页码可能会落到文档正文中，而标志、印章和签名仍然是图片。

用 PDF 转 Word 转换扫描件

我们的 PDF 转 Word 工具会自动对需要的页面进行 OCR，所以扫描件转换后会成为带有可编辑文字的 .docx，而本身已包含文字的页面则直接转换。文件会被发送给文档转换服务商，该服务商表示会在三小时内删除文件和结果。没有固定的大小限制，但上传必须在约 40 秒内完成，所以非常大的扫描件需要较快的网络。需要密码才能打开的 PDF，必须先解锁。

转换之前，有几件事值得做：

• 把横放或倒置的页面转正，并删除空白页。文件整理器两件事都能做，而且无需上传文件。
• 如果您自己扫描纸质文件，请使用 300 DPI 的灰度或彩色模式，而不要用扫描仪的黑白模式，因为黑白模式可能会在 OCR 读取之前就把细笔画打散。
• 如果您只需要其中几页，就只转换那几页。事后需要检查的内容也会少一些。

在依赖结果之前需要检查什么

在大多数真实的扫描件上，OCR 都会出错，而且出错时不会有任何提示。在发送或归档转换后的文档之前，请检查：

• 每一个重要的数字。合计、日期、金额、账号和参考编号、电话号码。要对照扫描件核对，而不是看它像不像对的。
• 姓名和地址。它们很少出现在词典里，所以没有任何东西会纠正它们。
• 拼写检查标出下划线的词。红色波浪线往往集中在 OCR 猜错的地方，所以 Word 的拼写检查可以粗略地帮您找出错误。
• 小字和页边。脚注、印章和页边的批注，是最常被完全漏掉的文字。
• 表格。确保每个值都在正确的行和列中。

哪些情况效果不好

有些文档会让任何转换器都失望。手写的表格、传真、以屏幕分辨率截取的文档截图，以及作为照片或示意图一部分的文字，凡是重要的地方，通常都需要重新输入。

我们的另外两个工具完全不读取扫描件。PDF 转 Excel 只读取 PDF 中已有的文字，所以无法从扫描页面中提取表格。文档翻译出于同样的原因也不接受扫描的 PDF。在这两种情况下，您都可以先用 PDF 转 Word 转换扫描件，检查文字，然后基于 Word 文件继续工作：把表格复制到 Excel 中，或者翻译这个 .docx。

总结

把扫描的 PDF 转换为 Word，是连续两次猜测：这些字是什么，以及页面是怎样排版的。一份清晰、端正、300 DPI 的扫描件能让这两次猜测都更容易，而仔细核对数字和姓名则能发现 OCR 出的错。把结果当作文字的初稿，而不是原件的副本，您就很少会措手不及。

有扫描件要转换成文字吗？试试 PDF 转 Word 转换器。

← 返回博客