Agent Skills
返回列表
PDF扫描件转Word 专业版

PDF扫描件转Word 专业版

办公效率 更新于 2026.08.30

将以下提示词粘贴到你的 AI 对话框中：

请根据 https://skillhub.cn/install/skillhub.md，安装 @user_169d53bc/pdf2docx。

技能介绍

要解决什么问题

把 PDF 转成 Word 时，常见失败模式很具体：扫描页在 Word 里仍是整页图片，无法改字；走 OCR 后中文变成 ??? 或乱码；识别结果里出现「正 本」这类汉字间被插入空格；页面旋转导致识别率骤降；同一份 PDF 里文本页与扫描页混排，单一策略要么漏字要么全走 OCR 太慢。

技能如何工作

主脚本 pdf2docx.py 用 PyMuPDF 按页判断类型：文本页直接抽字，扫描页（及混合场景下的扫描部分）走 OCR。OCR 链路针对中文做了几件硬处理：强制 GBK 解码减轻编码陷阱；对扫描图做 0°/90°/180°/270° 四向旋转，取识别最优结果；另有 fix_cjk_spaces.py 做后处理，合并相邻汉字之间的多余空格。目录级批量转换带进度与日志，适合一次处理多份文件。

Windows 侧依赖同目录下的 OcrConsole.exe（基于 Windows.Media.Ocr），需自行编译或向维护者索取预编译包（见 references/ocr_setup.md）。

适用边界与注意点

  • 平台：当前实现绑定 Windows OCR；macOS/Linux 需改 ocr_image_console 并替换为 Tesseract 等引擎，非开箱即用。
  • 质量：极低 DPI、严重歪斜的页可能仍失败；可尝试提高 DPI 或先校正方向再转。
  • 流程：OCR 与去空格可分步——先批量转 Word，再对结果跑 fix_cjk_spaces.py 修复 CJK 间距。

使用场景

  • 法务收到对方盖章后的扫描合同 PDF，需要转成可编辑 Word 再逐条批注与修订。
  • 同一文件夹内积压多份扫描发票或单据，需批量转为 Word 并靠日志核对哪些页走了 OCR。
  • 招标文件等混合型 PDF：前几页为可选中文本、附件为扫描图，需按页自动选择提取或 OCR。
  • OCR 生成的 Word 里汉字被拆成「正 本」式空格，需在转换后对 docx 跑 CJK 空格合并后处理。

适合人员

  • 机关或企业档案管理员：要把历史扫描 PDF 落成可编辑、可检索的 Word 正文，而非整页图片。
  • 法务助理或合同专员：日常处理扫描版协议，需在 Word 里改字、批注，不能只在 PDF 上贴图。
  • Windows 办公环境的文档数字化经办人：可部署本地 OcrConsole，负责目录级批量 PDF 转 docx。
  • 内容编辑或排版前处理：从文本+扫描混排 PDF 抽字，并修复中文 OCR 产生的汉字间多余空格。