PDF转Office

它解决什么问题

拿到一份 PDF 时，最常见的窘境是：文档本身没有保密需求，但你需要在 Word 里改几段措辞、在 Excel 里调整某个单元格的公式、在 PPT 里替换一页的图表。PDF 为了「在哪都长得一样」牺牲了可编辑性，于是大家要么手动重排（排版必然跑偏），要么用一堆在线工具上传下载，批量场景下更是重复劳动。

这个技能要做的是把 PDF 当作结构化文档来还原，而不是简单截图或 OCR，目标是让转换后的文件能直接进入正常的编辑流程。

核心能力

支持三种目标格式，按用户口令自动分流：

• PDF转Word → 输出 .docx
• PDF转PPT → 输出 .pptx
• PDF转Excel → 输出 .xlsx
• 未指定时默认转为 Word

底层分别依赖 pdf2docx、python-pptx、pdfplumber，转换统一由 scripts/convert_pdf.py 执行，脚本同时支持单文件与批量模式。

PDF → Word 走的是保真路线：文字样式、段落格式、图片、表格、超链接、页眉页脚都会保留，并会尝试自动生成目录。PDF → PPT 的逻辑是一页 PDF 对应一张幻灯片，文字、图片、形状原样搬过去，适合把讲义或报告直接转成可放映的 deck。PDF → Excel 则抽取 PDF 里的表格数据，每页表格落到一个 Sheet。

大文件处理是这套流程里比较关键的一环。PDF 超过 30 页时一次性转换容易触发内存不足，脚本内置了分批转换：按每 15 页一批转换后再合并结果，批大小可通过 --batch-size 调整。批量转换适合一次性处理一批同类型文档。

转换完成后会返回输出路径与文件大小；若存在失败页，会报告具体页码和原因，并用 present_files 展示结果文件。各格式的详细支持矩阵见 references/conversion_quality.md。

适用边界

几个会直接影响结果的坑，用之前值得先对齐预期：

• 加密 PDF 必须先解密，否则转换无法进行。
• 扫描版 PDF（纯图片）转换后仍然是图片，文字部分无法编辑。这种情况需要先配合 OCR，技能本身不做识别。
• PPT 与 Excel 的「保真」是有方向的：逐页映射和表格抽取意味着源文件的版式越规整，结果越可控；复杂排版、跨页表格在转换后通常需要人工微调。
• 输出文件默认落在当前工作目录，除非显式指定其他路径。