您扫描了一份文档，将其转换为 Word,打开结果后却发现是空白页、一张嵌入的图片，或乱码。这是最常见的 PDF 令人沮丧的问题之一，而原因几乎总是同一个：该 PDF 包含的是扫描件，而非真正的文本。
原生 PDF 与扫描 PDF:关键区别
PDF 文件有两种截然不同的类型：
- 原生(数字)PDF是由软件创建的——Word、Google Docs、Acrobat 或打印驱动程序。文本以真实字符数据的形式存储在文件内部。将这种 PDF 转换为 Word 时，转换器直接读取字符。结果通常准确，且格式在很大程度上得以保留。
- 扫描 PDF是页面的照片。扫描仪捕获的是图像，PDF 软件将该图像包装在一个 PDF 外壳中。文件内部没有文本数据——只有像素。打开这种文件的 PDF 转 Word 转换器看到的是图像，而非字符。它无法从图像生成可编辑的文本。
如何判断您拥有的是哪种类型的 PDF
打开PDF,尝试用光标选择一个单词。如果你能高亮单个单词并将其复制到剪贴板，那它就是原生PDF。如果光标将整页作为一个整体选中——或者完全没有任何反应——那它就是扫描版PDF。
你需要的工具:OCR
将扫描版PDF转换为可编辑文本需要光学字符识别(OCR)——一种分析图像并识别字母、单词和段落结构的软件。OCR在Word转换之前或代替Word转换单独运行。
可以对扫描版PDF进行OCR处理的工具:
- Google Docs——将PDF上传到Google Drive,右键点击 -> 使用Google Docs打开。Google会自动运行OCR。质量参差不齐，但对于扫描清晰、质量良好的文档效果很好。
- Adobe Acrobat Pro——工具 -> 增强扫描 -> 识别文本。结果准确，但需要付费订阅。
- Microsoft OneNote- 将 PDF 作为打印输出图像插入，右键单击 -> 复制图片中的文本。逐页操作；不保留格式。
文档经过 OCR 处理后，可以转换为 Word，效果要好得多。当您需要可编辑的 DOCX 时，请在 OCR 步骤之后使用Pagivo 的 PDF 转 Word工具。
获取最佳 OCR 结果
OCR 准确率在很大程度上取决于扫描质量。OCR 产生乱码输出的三个最常见原因：
- 分辨率过低。低于 150 DPI 会导致字符识别不可靠。300 DPI 是持续获得良好效果的实用最低标准。
- 页面倾斜。即使两度的倾斜也会使字符边界检测变得模糊。大多数扫描仪软件都有自动纠偏（auto-deskew）选项——如果可用，请启用它。
- 手写内容。OCR 是基于印刷文本训练的。手写识别是一个独立的、难度大得多的问题。标准 OCR 工具在手写页面上的输出效果会很差。
如果你只需要搜索，而不需要编辑
如果你只需要在文档中查找文本而不是编辑它，那么你根本不需要转换为 Word。在这种情况下，目标是使 PDF 可搜索——在图像上添加一个隐藏的文本层——而不是将文本提取为新格式。一旦 PDF 有了文本层，在大多数 PDF 阅读器中 Ctrl+F 就能正常使用。你还可以使用询问 PDF并让它创建可搜索的OCR PDF。
为什么原始扫描质量比工具更重要
没有任何转换软件能够恢复扫描仪未曾捕捉到的细节。一份褪色复印文件的模糊或曝光不足的扫描件，无论使用哪种工具，其Word输出效果都会很差。如果原件可用，最有效的改进方法始终是以更高的分辨率和更好的光线重新扫描文档。