PDF 转 Word

这个工具适合手里有一份文字型 PDF(合同条款、论文、通知、文章),只想把里面的文字拿出来改写、摘录或重新排版的人。它做的事很具体:用 pdf.js 读取每一页的文字层,把文字拼起来,再用 docx 库写成 .docx。它不做的事也要说清楚:不保留版面、字体、图片、表格和分栏,扫描件也不会被识别成文字。页面顶部的提示已经把它定位为「简化版」,请按这个预期使用。

操作步骤

1. 点击虚线框里的「点击上传 PDF」,选择一个 PDF 文件(一次只能处理一个)。
2. 页面显示「正在提取文字并生成 Word 文档…」,期间上传框被禁用,等待即可。
3. 完成后出现「已提取 N 页文字内容,生成完成」。
4. 点击「下载 xxx.docx」按钮保存。文件名沿用原 PDF 的名字,只把 .pdf 换成 .docx。

一个具体的例子:三页的中文通知

假设上传 notice.pdf,共 3 页,每页都是正常排版的中文文字。得到的 notice.docx 里,每页开头会有一行加粗的「【第 1 页】」「【第 2 页】」「【第 3 页】」作为分页标记,后面是该页文字。工具以中文句号、感叹号、问号和换行符作为断句点,把页内文字切成若干段落。需要留意的是,pdf.js 返回的是一个个文字片段,工具用空格把它们连起来,所以中文被拆成不同片段的地方可能出现多余的空格,需要在 Word 里用查找替换清理。另外,英文句末的句点不是断句点,一页纯英文往往会变成很长的一整段。

支持范围与已知限制

• 只处理含真实文字层的 PDF。扫描件、截图型 PDF 没有文字层,结果会是只有页码标记、几乎没有正文的文档,工具不带 OCR。
• 不保留原版式:图片、表格、分栏、页眉页脚样式都不会出现在 Word 里。表格里的单元格文字会被按读取顺序当作普通文字拼在一起,行列关系丢失。
• 文字顺序取决于 PDF 内部的存储顺序,多栏排版或经过特殊制作的 PDF 可能顺序不对。
• 加密的或损坏的 PDF 会报错:「解析失败,请确认文件是未加密的 PDF」。
• 输出的 Word 里所有正文使用默认字体,只有页码标记加粗。
• 整份文档在浏览器内存里处理,页数很多时会比较慢,低配设备可能卡顿。

下载的 Word 里几乎是空的,只有「【第 N 页】」?

说明这份 PDF 没有可提取的文字层,多半是扫描件或把页面存成图片的文件。可以用任意能在 PDF 里选中文字的阅读器验证:选不中文字就是这种情况。此时需要先用 OCR 工具识别,本工具无法处理。

文字里出现乱码或奇怪的符号?

文字是按 PDF 内部的字符编码取出的。少数 PDF 使用自定义字体编码或把文字转成了轮廓,提取出来就会是乱码或缺字,这种情况在本工具里没有补救办法。

段落分得不对,或者整页是一大段?

分段只依据中文句号、感叹号、问号和换行符,不理解真正的段落结构。英文文档、没有这些符号的列表和标题都不会被正确切分,需要在 Word 里手动调整。

文件很大时页面卡住或失败怎么办?

所有页面在同一个浏览器标签页里逐页读取,页数多、文件大时会占用较多内存。可以先用「PDF 分割」工具拆成几份分别转换,再在 Word 里合并。

我的 PDF 会被上传到服务器吗?

不会,详见下面的隐私说明。

隐私与处理方式

代码中没有任何上传请求:文件通过浏览器读取,文字提取和 .docx 生成都在本机完成。进入该工具时,浏览器会加载 pdf.js、它的解析脚本以及 docx 库,这些是站点自带的程序文件,没有下载任何模型,也不会把你的 PDF 内容发出去。