做行政、做项目、做学术的人十有八九遇到过这种情况。一份PDF在电脑上看好好的格式规整段落清晰。用转换工具转成Word之后打开一看——页眉跑到了正文中间图片和文字叠在了一起原本三列的表格变成了一列文字加一堆空白段落之间的行距忽大忽小。换了好几个转换方式效果都差不多最后还是手动调了一下午。很多人觉得这是转换工具不行但其实问题往往出在PDF本身的页面结构上跟转换器关系不大。PDF里的文字和排版本质上记录的是“这个字符在页面上的精确坐标”和“这个图片放在哪个位置”。它不像Word那样记录“这是一段文字这是下一个段落”。转成Word的时候转换工具需要把“坐标定位”翻译成“流式排列”这个翻译过程天然就有损耗。那怎么判断一个PDF转出来会不会乱呢有个简单的办法。打开PDF试试选中一段跨行的文字。如果选中之后高亮区域是连续的、完整的每一行都整整齐齐说明这个PDF的文字层比较干净转出来通常不会太差。如果选中之后高亮区域东一块西一块或者一行文字被分成了好几段才能选完那这个PDF的文字结构本身就比较碎转出来基本肯定要调。还有一种更常见的情况PDF是从设计软件导出来的文字被转成了轮廓。这种PDF里的文字本质上已经是图形了任何转换工具转出来都会变成一堆散落的形状排版全乱是正常的。这种情况只有一种处理方式——识别但识别出来的文字准确率和排版保留程度取决于原文件的清晰度和文字的复杂程度。如果你只是想改几个错别字而不是大段重写有一个更省事的做法不转Word直接在PDF里加批注。把需要修改的地方用高亮标出来在旁边插入文本框写上“此处应为XXX”。然后把加了批注的PDF发回去对方照着改就行。这样不用转格式不用调排版一页批注改完也就几分钟的事。如果你确实需要把内容整理成新文档不是简单改几个字那转换之前先想清楚你需要的是内容还是排版。如果只需要内容转的时候选择“输出纯文本”或者“忽略格式”之类的选项出来的是一段连续的纯文字图片和表格会被丢掉或简化。这个模式转得最快出来的文字最干净段落之间可以用回车分隔不会出现文字重叠或者行距混乱的问题。缺点是图片和表格需要重新插入。如果既需要内容又需要排版那就只能转完之后花时间整理。有一个小技巧可以省点力转完之后不要急着从头到尾调先整体扫一遍把明显错位的大问题处理掉比如图片回正、表格列宽拉齐。细节的字体、行距、缩进如果文档不是用于正式印刷差不多就行了不用逐字逐句调回原样那跟重新做一份没区别。如果同一份PDF你经常需要转换每次转换完都要调一遍那可以考虑一个一劳永逸的办法在PDF里就调整好页面结构。比如把多栏文字改成单栏把复杂表格简化成简单表格去掉多余的文本框和浮动元素。结构越简单转换出来的效果越好。至于转换工具本身不同工具对不同类型PDF的兼容性确实有差别。像西西PDF转换这类工具通常提供多种输出模式可选转换前多试一两个模式找到效果最好的那个以后遇到同类文件就用同一套设置。如果试了一圈还是乱那说明这个PDF的原始结构本身就不适合转换老老实实批注修改或者手动重打吧。转换这条路上有时候不是工具不行是PDF本身的生成方式决定了它天生不适合被转成其他格式。
原理与Python实践指南)
