PDF扫描件转Word · 专业版

> 一键处理文本型、扫描型、混合型PDF，自动OCR识别中文，支持批量转换

🎯 解决什么问题

⚡ 快速开始

转换命令

# 批量转换（整个目录）
py -3 pdf2docx.py <PDF目录> <输出docx目录>

# 单文件
py -3 pdf2docx.py 合同.pdf 合同.docx

# 带日志
py -3 pdf2docx.py <PDF目录> <输出docx目录> --log conversion.log

去除汉字间空格（OCR后处理）

py -3 fix_cjk_spaces.py <docx目录>     # 整目录
py -3 fix_cjk_spaces.py 合同.docx       # 单文件

📦 安装依赖

pip install pymupdf python-docx Pillow

OcrConsole.exe（Windows专用OCR引擎）需放置在与 pdf2docx.py 同目录下。
编译方式：见 references/ocr_setup.md，或联系开发者获取预编译版本。

🔬 技术架构

┌─────────────────────────────────────────┐
│              输入：PDF文件                │
└──────────────┬──────────────────────────┘
               │
               ▼
    ┌──────────────────────┐
    │   PyMuPDF 文本提取   │──── 行数≥5 ──→ 直接输出文本
    └──────────┬───────────┘
               │ 行数<5（扫描页）
               ▼
    ┌──────────────────────┐
    │  渲染为PNG (200 DPI) │
    └──────────┬───────────┘
               │
               ▼
    ┌──────────────────────┐
    │  四方向旋转OCR       │  0° / 90° / 180° / 270°
    │  Windows.Media.Ocr   │  → 取文字最多结果
    └──────────┬───────────┘
               │
               ▼
    ┌──────────────────────┐
    │ GBK解码 + CJK空格清理 │
    └──────────┬───────────┘
               │
               ▼
    ┌──────────────────────┐
    │   python-docx 生成   │  默认字体：宋体
    └──────────┬───────────┘
               │
               ▼
         输出：.docx 文件

⚙️ 核心参数

🧩 适用场景

• 政务/公文：采购文件、投标文件、合同协议
• 审计/法务：取证单、调查报告、财务凭证扫描件
• 学术：扫描版书籍、论文、旧档案数字化
• 医疗：病历、检查报告（扫描件）
• 档案管理：历史档案数字化加工

❓ 常见问题

Q: 转换后中文是乱码"？？？"
A: 通常是解码错误。OcrConsole.exe输出GBK编码，脚本已内置正确解码（decode('gbk')），无需手动处理。

Q: OCR后汉字间有空格"正 本"
A: Windows.Media.Ocr的固有特征。运行 py -3 fix_cjk_spaces.py <文件> 即可修复。

Q: 部分页面识别失败
A: 可能是图片质量过低或方向极度歪斜。当前脚本已内置四方向旋转OCR；若仍失败，可尝试提高DPI或手动校正图片方向后重试。

Q: 支持macOS/Linux吗？
A: 当前版本依赖Windows.Media.Ocr，仅支持Windows。macOS/Linux用户可替换为Tesseract OCR引擎（需修改ocr_image_console函数）。

📁 脚本说明