扫描 PDF 转 Word 排版乱？原因和正确处理方法

扫描版 PDF 并不是一份等着被拆开的 Word 文档，它其实是一叠页面照片。想要编辑，得先有东西把图片上的字认出来，再去猜段落、分栏和表格各在哪里。排版就是在这一步乱掉的，所以处理扫描件之前，最好先选对路子。

先看看手上是哪种 PDF

在 PDF 阅读器里试着选中一句话。如果能一个词一个词地选中、复制出来也干净，说明文件本身有文字层，PDF 转 Word 可以把它重建成可编辑的文档。如果一拖就把整页当成一张图选中，那就是扫描件，下面说的都适用于你。

扫描件放进我们的 PDF 转 Word 会怎样

直接把扫描件丢进 PDF 转 Word，得到的 .docx 里每一页都是一张图片。看上去没问题，可一个字也改不了。先做一遍 OCR 也无济于事：OCR 是在每页背后加一层看不见的文字，而 Word 转换器会忽略这层隐藏文字。所以遇到扫描件，干脆跳过 PDF 转 Word，改走下面几条路。

扫描件真正走得通的办法

1. 要把文字放进 Word：用 PDF 转文字，勾选“运行 OCR”。你会拿到一个装着识别结果的 .txt，把它粘贴到新建的 Word 文档里再排版。标题和表格得自己重新做，但至少不用从头敲字。
2. 只需要搜索和复制：用 PDF OCR 文字识别处理一遍就够了。页面外观完全不变，文字变得可以选中。
3. 内容主要是一张数字表格：先做 OCR，再用 PDF 转 Excel。表格识别能读取 OCR 文字层，不过要核对各列，相邻的单元格偶尔会被并成一格。

中文扫描件要换个工具

需要说清楚：我们的 OCR 只识别英文。中文扫描件交给它，出来的要么是乱码，要么什么都没有，上面三条路也就都走不通。带重音符号的拉丁字母同样容易认错。如果你习惯用命令行，可以在自己电脑上装 ocrmypdf 和 Tesseract 的简体中文语言包，运行时加上 -l chi_sim+eng，中英混排的页面也能一起识别。识别好的 PDF 再拿去复制文字或转 Excel 就行。

为什么不管走哪条路，版式都会乱

OCR 认的是字符，它不知道原页面背后的排版意图。扫得淡一点，8 就可能被认成 3；双栏文字可能被横着一行读到底；表格出来可能只是一串用空格隔开的数值；手写字更是靠不住。

• 清晰、端正、对比度高的扫描件最容易认准。
• 表格和多栏页面最需要仔细复核。
• 印章和手写批注凡是要求准确的地方，都得逐字核对。

换一份好的原件，比修多久都管用

纸质原件还在的话，就摆正了重新扫一遍，分辨率 300 DPI 左右，画面里别有手指、阴影或折角。如果 PDF 是从办公系统里导出来的，直接去要原始电子版或源文件。真正的电子版 PDF 能顺利走 PDF 转 Word，一份干净的原件，比花一小时修排版省事得多。

常见问题

为什么转出来的 Word 里全是页面图片？

因为那份 PDF 是扫描件。转换器找不到可以重建的真实文字，只好把每一页当作图片放进去。英文扫描件可以用 PDF 转文字并打开 OCR 把字提出来，再粘贴到 Word；中文扫描件请用带中文语言包的 OCR 软件。

模糊的扫描件多转几次会变清楚吗？

不会。重复转换补不回扫描时没拍到的细节。能重扫就先重扫清楚，再做一次 OCR。