PDF 处理不用装软件:浏览器里直接转 Word / Excel / Markdown 的几种实用做法
做方案汇报、合同整理、论文归档的时候,手里总有一堆 PDF 要处理:想把里面的表格粘到 Excel 里算一算,想把几页拆出来单独发,想把整份文档变成 Markdown 塞进知识库。这些活儿在以前要么装软件,要么传文件到第三方网站 —— 后者意味着合同、客户资料要离开你的电脑。
我的做法越来越简单:用浏览器里跑的工具处理,文件不离开本机。下面按实际使用频率,把几个高频场景拆开讲。
场景一:PDF 里的表格,粘到 Excel 乱码了
最常见的坑。直接复制 PDF 里的表格,粘到 Excel 会出现三类问题:
- 数字变成科学计数法(
1.234E+10) - 合并单元格错位,看起来像两列其实是一列
- 长数字被截断(比如身份证号、订单号变成
1.23E+17)
更稳的做法:先用工具把 PDF 转成 Excel(.xlsx),再在 Excel 里处理。转换过程会重新识别表格边界,比复制粘贴准得多。转完再核对一下关键列 —— 扫描件(图片型 PDF)转出来可能是空的,那种情况要走 OCR。
场景二:几十页 PDF,只要其中两页
拆页不用再打印出来扫描。用浏览器工具直接分离,指定要保留的页码范围,出来的文件是干净的,不需要后期裁边。
我一般会顺手做两件事:拆完立刻翻一遍,确认没有把表头页(封面、目录)一起带出去;文件名按"主题_页码范围"命名,避免以后一堆 document(3).pdf 分不清。
场景三:整份 PDF 变成 Markdown,喂给 AI
这是最近用得最多的。把 PDF 转成 Markdown 之后:
- 标题层级能识别出来,喂给 AI 做总结效果比纯文本好很多
- 表格会转成 Markdown 表格语法
- 后续做知识库检索、批量喂给模型都方便
要注意的是:如果 PDF 是双栏排版(学术论文常见),转换后阅读顺序可能错乱。转换完一定要抽读几段,尤其是图表标题和正文对应关系。遇到错乱我一般会先把双栏拆成单栏再转。
场景四:图片型 PDF,要的是文字不是版面
扫描件、拍照的合同,压根没有文字层。这时候"转 Word"没意义,得走 OCR 路线。区别在于:
- 普通 OCR:识别出文字,保留大致排版,输出可编辑文档
- 表格 OCR:识别表格结构,能还原成真正的表格
如果是一份带表格的扫描件,用普通 OCR 会得到一堆错位的文字,用表格 OCR 才能拿到能算的数据。
场景五:PDF 太大,发不出去
邮件附件限制、微信传输、网盘审核都会卡大小。压缩 PDF 有两种思路:
- 无损压缩:重新编码图片流、去掉冗余元数据,文字清晰度完全不变,适合合同、报告
- 有损压缩:降低图片分辨率,肉眼能看出差别,适合扫描件、图册
我一般先试无损,能压掉 20%~40% 就够了。真压不动再上有损。
我的实际流程
- 先看文件有没有文字层 —— 打开搜索一下,能搜到就有文字层,能直接转
- 要表格数据 → 转 Excel
- 要全文喂 AI → 转 Markdown
- 要几页 → 拆页
- 要发送 → 压缩
- 遇到是扫描件 → 走 OCR
整个流程我都在一个 PDF 处理工具 里完成,合并拆分、转 Word/Excel、OCR、压缩都在同一个页面,不用在几个站点之间来回传文件。纯前端运行,敏感文件不用上传。
顺带说一句,如果你的 PDF 里有关键数据要核对,转完之后一定要抽查两三个数字 —— 任何自动转换工具都不能 100% 保证,包括收费的。
几个容易踩的坑
- 合并顺序:合并文件时顺序容易错,合并完先翻一遍目录
- 加密 PDF:很多工具打不开带密码的 PDF,需要先解密
- 超大文件:几百 MB 的 PDF,浏览器处理会卡,最好先拆分
- 字体缺失:转出来字体变了通常是因为原 PDF 用了特殊字体,这个没法完全避免
PDF 处理这种活儿,说到底是把格式转换做熟。你自己电脑上装软件还是上传到网上,取决于你对文件隐私的敏感程度 —— 但至少工具能帮你少做重复劳动。