PDF转Word文档重建

为什么需要这个技能

PDF 转 Word 看起来简单，实际场景却分两类：文字版 PDF 可以直接转换，但扫描件（纯图片）需要 OCR，而 OCR 结果往往丢失排版、顺序混乱，甚至出现错字。更麻烦的是，病历、法律文书这类敏感文档不能上传到云端 OCR 服务。

这个技能的处理思路是：先判断 PDF 类型，再选最优路线。

核心能力与工作流程

第一步：文字层检测。用 pypdf 逐页检查文字层长度，自动分三条路线：

• 全部页面有文字 → 路线 A，pdf2docx 直转，最大程度保留字体和排版
• 全部无文字（纯扫描件）→ 路线 B，OCR 重建可编辑文本
• 混合文档 → 逐页分路线处理

路线 A：直转保真。文字版 PDF 直接转成 .docx，转换后用 python-docx 抽查段落数、表格数、图片数，确认无丢页。

路线 B：OCR 重建。扫描件走四步：

1. 渲染高清图（300dpi）
2. 调用 macOS 原生 Vision OCR（VNRecognizeTextRequest），本地运行不出网，中英文识别质量好
3. 版面重组：按 y 坐标聚类合并同一行，排内按 x 升序拼接
4. 结构化重建 Word：用辅助函数构建标题、字段表格、正文，每类单据间分页

适用边界与注意点

• 隐私优先：OCR 全程本地，适合病历等敏感文档
• 环境要求：路线 B 需要 macOS + Xcode Command Line Tools，swift --version 可验证
• OCR 精度限制：手写签名、印章、勾选框识别必然不准，输出中必须标注 [?]，禁止编造内容
• 质量门禁：页数一致、关键字段逐项核对、模糊段落如实标注