差别在一句话:一个读文件里已有的文字层,一个先做识别再出文字。原件带文字层,走普通转换就够;纯扫描件走普通档,出来的还是一张整页贴图,字选不中。所以"走哪个入口"不是凭感觉,而是先看这份 PDF 到底有没有文字层。
一、两个入口的本质分工
普通转换档处理的是矢量排布的字符:文件里本来就有可选中、可复制的文字层,它把这些字按坐标搬进文档,版式尽量对齐原件。识别档处理的是像素:它把整页当图片先做字符识别,再把认出来的字写成文本,字是"读图读出来的",不是从文件里搬出来的。两条路读的东西不同,产物能不能选字、准不准、快不快,全由这一步决定。软件直接导出的 PDF 一般带文字层,扫描机或相机生成的多半没有。
二、先做一次判定再决定走哪个
判定动作只有一个:打开 PDF,按住鼠标拖动一行字。选得中,说明有文字层,走普通档;一点都选不动,是整页贴图,走识别档。别嫌这一步多余——纯扫描件就算你把它转成 Word,普通档也只是把图搬进去,你拿到手的还是一张不能改字的图片。判断错了不会报错,只会白跑一趟,所以先选一次再传。
三、带文字层:走普通转换
确认有文字层,走 PDF转Word。这一步在服务器上处理,产物是每个文件一个 DOCX(2007 及以上的 Word 文档格式),里面的字可选中可复制。要清楚它的边界:PDF 是按坐标摆文字的,没有真正的"段落"概念,转出后每处文字往往装在独立文本框里,改字、复制都行,但不会像原生文档那样自动重排,删掉一行下面的内容也不会往上补。多栏、浮动图表这类复杂排版和原件会有出入,要连续排版得把文字挪进新建的正文段落。
四、纯扫描件:走带识别那一档
没有文字层就走 扫描件PDF转Word:先把整页识别成文字再写成文档,产物同样是一个 DOCX,字是识别出来的文本。文件要上传到本站服务器处理,识别这一族要先注册才能用,产物在文件列表里集中取。识别对工整印刷体表现较好,拍照歪斜、字迹发淡、有底纹反光时容易出错,务必对着原件逐字校对,不能直接当定稿。
| 你的这份 PDF | 能不能选中一行字 | 走哪个入口 | 产物能否选字改字 |
|---|---|---|---|
| 软件导出、带文字层 | 能 | 普通转换档 | 能,版式尽量保 |
| 扫描或相机生成 | 不能 | 带识别档 | 能,字靠识别,需校对 |
| 只要字不要排版 | 无所谓 | 转出后再走 Word 转 TXT | 出纯文本,样式全丢 |
五、只想要文字、不想要排版
如果你要的是把内容整份抽成纯文本,不关心分栏和表格,可以先转出 Word,再用 Word转TXT 出 UTF-8 纯文本(不带 BOM,即文件开头不带那几个标识字节)。这一面板只解 DOCX,老的 .doc 会解析失败,要先另存为 DOCX。代价很直接:图片、表格样式、字体排版全部丢弃,只剩文字和换行。
六、常见问题
问:我怎么知道传进去会不会白跑?
答:先在 PDF 里试着选中一行字,选不中就别走普通档,直接走识别档。
问:识别档比普通档慢吗?
答:识别要先读图再出字,比直接搬文字层的普通档多一步处理,页面会给出进度,耐心等产物即可。
问:两种入口转出来都能编辑吗?
答:普通档出的字能改但多是文本框、不自动重排;识别档出的字能改但要对识别错误逐处校对,编辑前都得清理。
问:能不能只转其中几页?
答:这两条链路都不带页码范围选项,要几页先按页码拆分出来再转,别整份丢进去。
本站入口
这份在站内对应两个入口:带文字层走普通转换档,纯扫描件走带识别的扫描件转 Word 档,产物都是 DOCX。
拿到 DOCX 后先判定文字是否可编辑,再清理文本框、对识别档逐字校对,需要纯文本的另走 Word 转 TXT 面板。