PDF 轉 Word 工具

PDF（ISO 32000-1 對應 PDF 1.7，ISO 32000-2 對應 PDF 2.0）是一種固定版面格式，其頁面內容是一連串繪圖運算子（`Tf` 選擇字型、`Td` 定位文字游標、`Tj` 顯示字元字串、`Tm` 設定文字矩陣），而非流動文件模型。在檔案層級沒有段落、標題或表格的概念；這些都是由絕對定位的字元執行產生的視覺效果。因此，將其轉換為 DOCX（Office Open XML，ECMA-376 / ISO/IEC 29500）——這是一種帶有 `<w:p>` 段落、`<w:tbl>` 表格和 ZIP 容器內執行屬性的流動模型——是一個重建問題而非翻譯。文字提取本身依賴每個嵌入字型中的 PDF `ToUnicode` CMap：如果 CMap 缺失或將字元 ID 映射到私用區 Unicode 碼點（一種常見的防拷貝模式），即使頁面正確渲染，可見字元也無法恢復，只能依賴 OCR。 上傳的 PDF 由 ToolAct 的伺服器端轉換引擎解析：將頁面內容串流讀取為帶定位資訊的文字執行，並在其上重建文件結構。重建段落需要按 y 座標（大約一行高內）對這些執行進行聚類、按 x 座標排序、從 x 起始位置的直方圖偵測欄位邊界，並從間距推斷換行。表格重建更為困難：有框線的表格可以透過將頁面的線段運算子（`re`、`l`、`S`）交叉為網格並將文字執行分配到儲存格來恢復；無框線表格需要 Tabula 或 Camelot 中的欄位偵測啟發式方法，且在合併儲存格或多行列時準確度急劇下降。圖片從頁面的 XObject 字典中提取並重新嵌入到 DOCX 的 `media/` 資料夾中。 DOCX 輸出組裝為包含 `[Content_Types].xml`、`word/document.xml`、`word/styles.xml` 和任何媒體的 ZIP。往返保真度有其上限：單欄正文的文字型 PDF 往返效果良好；多欄科學排版、無框線表格、數學排版、CMap 缺失的連字和旋轉文字都會降低品質。100% 保留任意 PDF 是可證明地不可能的，因為來源模型嚴格地比目標更具表達力。檔案在轉換完成後立即從伺服器刪除。

• PDF 規範：ISO 32000-1（PDF 1.7）/ ISO 32000-2（PDF 2.0）。頁面內容是一連串繪製定位字元的運算子（`Tf`、`Td`、`Tj`、`Tm`）——在檔案層級沒有段落/標題/表格。
• DOCX 規範：Office Open XML，ECMA-376 / ISO/IEC 29500。一個包含 XML 部件（`word/document.xml`、`word/styles.xml`、`[Content_Types].xml`）的 ZIP，帶有 `<w:p>` 段落和 `<w:tbl>` 表格——一種流動模型。
• 文字提取依賴字型的 ToUnicode CMap；缺失或 PUA 映射 CMap 的 PDF 能正確渲染但提取結果為亂碼，迫使回退到 OCR。
• 檔案上傳至 ToolAct 的伺服器端轉換引擎處理，轉換完成後立即從伺服器刪除。
• 段落重建：按 y 座標在約 1 行高內對文字執行聚類、按 x 排序、從 x 起始直方圖偵測欄位、從執行間間距推斷換行。
• 表格重建：有框線表格來自將 `re`/`l`/`S` 線段運算子交叉為網格；無框線表格需要欄位偵測啟發式方法（Tabula/Camelot），在合併或多行儲存格上效果下降。
• 100% 的 PDF→DOCX 保留是可證明地不可能的——來源模型嚴格地比目標更具表達力。多欄科學排版、無框線表格、數學排版及旋轉文字降幅最為明顯。