這些年處理 PDF 踩過(guò)的那些坑

做開(kāi)發(fā)這些年，幾乎每個(gè)月都要跟 PDF 打交道。從最初的盲目搜索工具，到后來(lái)自己寫(xiě)腳本處理，中間踩了不少坑。寫(xiě)出來(lái)給同樣被 PDF 折磨過(guò)的朋友參考。

第一個(gè)坑：PDF 轉(zhuǎn) Word 為什么總是亂？

剛開(kāi)始工作時(shí)，領(lǐng)導(dǎo)讓我把一個(gè) PDF 合同轉(zhuǎn)成 Word 修改。我隨便找了個(gè)在線工具轉(zhuǎn)出來(lái)，結(jié)果打開(kāi)一看——段落全亂了，頁(yè)眉頁(yè)腳沒(méi)了，表格也散架了。

后來(lái)才知道：PDF 本質(zhì)上是一張“印刷品”，它記錄的是每個(gè)字在頁(yè)面上的坐標(biāo)位置，而不是段落、標(biāo)題、表格這些結(jié)構(gòu)。所以轉(zhuǎn)換工具要做的是“反向推斷”——從坐標(biāo)反推出原來(lái)的排版結(jié)構(gòu)。這個(gè)推斷過(guò)程非常依賴算法，不同工具的還原能力天差地別。

我的教訓(xùn)：重要文件一定要選支持“版式保留”的工具。如果轉(zhuǎn)出來(lái)的 Word 排版亂，不要強(qiáng)行去調(diào)，換一個(gè)工具試試可能就好了。

第二個(gè)坑：掃描件怎么“讀”不出文字？

有一次同事發(fā)給我一份 PDF，說(shuō)“你幫我把里面的文字復(fù)制出來(lái)”。我打開(kāi)一看，全是掃描圖片——鼠標(biāo)選中不了任何文字。

這就是所謂的“掃描型 PDF”，本質(zhì)上是一堆圖片。要提取文字必須用 OCR（光學(xué)字符識(shí)別）技術(shù)，讓程序去“看”圖片上的字是什么。

當(dāng)時(shí)我直接用了一個(gè)帶 OCR 功能的轉(zhuǎn)換器，結(jié)果識(shí)別出來(lái)一堆錯(cuò)字，“壹佰萬(wàn)”變成了“壹佰方”，“合同”變成了“合司”。后來(lái)才明白，OCR 對(duì)中文的識(shí)別難度比英文高很多——漢字結(jié)構(gòu)復(fù)雜、形近字多，而且掃描件的清晰度、光線、字體都會(huì)影響識(shí)別率。

我的教訓(xùn)：掃描件處理一定要用中文 OCR 能力強(qiáng)的工具。如果識(shí)別錯(cuò)誤太多，先檢查掃描件是否清晰（最好 300 DPI 以上），或者試試調(diào)整圖片預(yù)處理（增加對(duì)比度、去噪）。

第三個(gè)坑：頁(yè)眉頁(yè)腳怎么總是丟？

有一次處理標(biāo)書(shū)，轉(zhuǎn)出來(lái)的 Word 里頁(yè)眉的公司 Logo 丟了，頁(yè)腳的頁(yè)碼也消失了。標(biāo)書(shū)這種文件，頁(yè)眉頁(yè)腳丟了基本等于作廢。

后來(lái)發(fā)現(xiàn)，很多轉(zhuǎn)換工具在處理頁(yè)眉頁(yè)腳時(shí)，會(huì)簡(jiǎn)單地把它們當(dāng)作“頁(yè)面頂部/底部的普通文字”處理，在推斷段落時(shí)誤判為正文，導(dǎo)致位置偏移或直接丟棄。

我的教訓(xùn)：標(biāo)書(shū)、合同這類正式文件，轉(zhuǎn)換前先確認(rèn)工具是否支持頁(yè)眉頁(yè)腳保留。如果不放心，可以先轉(zhuǎn)一頁(yè)預(yù)覽再批量操作。

第四個(gè)坑：免費(fèi)的往往最貴

剛開(kāi)始圖省事，用了一些免費(fèi)的在線 PDF 工具。結(jié)果要么每天限制 2-3 次，要么文件大小限制 10MB，要么轉(zhuǎn)換完帶水印。最頭疼的是文件傳到境外服務(wù)器，數(shù)據(jù)安全完全沒(méi)有保障。

后來(lái)才知道，很多“免費(fèi)”工具其實(shí)是靠收集用戶數(shù)據(jù)盈利的。對(duì)于合同、標(biāo)書(shū)、證件這些敏感文件，上傳到境外服務(wù)器意味著數(shù)據(jù)會(huì)經(jīng)過(guò)什么環(huán)節(jié)、存多久、有沒(méi)有被第三方看到，你完全不知道。

我的教訓(xùn)：敏感文件一定要用國(guó)內(nèi)服務(wù)器的工具，符合《個(gè)人信息保護(hù)法》數(shù)據(jù)不出境的要求。另外，批量處理前先試轉(zhuǎn)一份確認(rèn)效果，避免批量翻車。

幾個(gè)實(shí)用的經(jīng)驗(yàn)

判斷 PDF 類型：打開(kāi) PDF，用鼠標(biāo)試著選中文字。能選中就是文本型，選不中就是掃描型。不同類型用不同的處理方式，事半功倍。

轉(zhuǎn)換完一定檢查關(guān)鍵信息：尤其是數(shù)字、金額、日期這些地方，再好的工具也可能出錯(cuò)。我曾經(jīng)遇到過(guò)將“2026”識(shí)別成“2028”的情況，這種錯(cuò)誤在金融文件里是致命的。

批量操作先測(cè)試一份：不要上來(lái)就大批量處理，先拿一份文件試一下效果，確認(rèn) OK 再批量。

保留原始文件：無(wú)論用什么工具處理，都留一份原始 PDF 備份。萬(wàn)一處理結(jié)果不滿意，還能重新來(lái)。

不需要寫(xiě)代碼的時(shí)候別折騰：如果只是偶爾轉(zhuǎn)幾份文件，沒(méi)必要自己寫(xiě)腳本。找?guī)讉€(gè)靠譜的在線工具或小程序，比折騰代碼省時(shí)間得多。

總結(jié)

PDF 處理看起來(lái)簡(jiǎn)單，里面的門(mén)道其實(shí)不少。核心就是三件事：看清類型（文本還是掃描）、選對(duì)工具、檢查結(jié)果。用對(duì)了方法，這件事并不復(fù)雜，關(guān)鍵是有耐心踩過(guò)幾次坑之后就明白了。

以上是我個(gè)人處理 PDF 時(shí)的一些真實(shí)經(jīng)歷和體會(huì)，希望能幫到正在跟 PDF 較勁的你。