PDF 转换为什么会丢失结构，以及该怎么办

PDF 里到底有什么

文字处理软件的文档是一棵树。它记录着这段文字是二级标题、这几段属于那一节、这些单元格构成一张三列的表。外观是在显示时从这套结构推导出来的。

PDF 恰恰相反。它是一组绘制指令：把这个字形，用这个字体，以这个字号，画在这一页的这个坐标上。产生该版面的结构不会被保存——它用来算出坐标，然后就被丢弃了。

这不是格式的疏忽。PDF 在 1993 年被设计出来，就是为了保证一份文档在任何设备、任何打印机上看起来完全一致，而保证的办法就是把外观精确写死，不给重新推算留任何余地。它彻底做到了。代价是，PDF 知道每个字符在哪里，却完全不知道它们是什么意思。

所以把 PDF 转成 Markdown 不是提取，而是推断：把几何信息反过来读，猜出什么样的结构会产生这样的排布。好的转换器猜得准。但没有任何转换器能做得比猜更好，因为答案确实不在文件里。

唯一的例外：带标签的 PDF

带标签的 PDF 额外携带一棵结构树，是为无障碍访问添加的，好让屏幕阅读器能报出标题、按顺序读出表格单元格。当它存在且正确时，大部分猜测就不必要了。

但实际上二者很少同时成立。打标签是可选的，多数 PDF 生成程序不加；而在加了的那些里，又有大量产出与可见版面相互矛盾的标签——每个段落都被标成标题，或者一张表被标成一串段落。一个信任错误标签的转换器，结果会比直接忽略标签的更差。

如果 PDF 的生成过程由你掌控，而你在意转换质量，那么从 Word 或 LibreOffice 导出一份正确打了标签的 PDF，是你能做的最有用的一件事。如果你转换的是别处送来的文档，就当它们没有标签。

结构是如何从几何信息推断出来的

任何按空间关系工作的转换器，规则大体相同，值得了解——因为每一条规则都对应一种失败方式。

首先要定一个单位。正文字高——文档中出现频率最高的字号，按该字号下的字符数量加权——成为标尺，于是无论文档用 9pt 还是 14pt 排版，规则都同样适用。

然后用它去衡量其余一切。共享基线的文本片段属于同一行。被较小纵向间隔隔开的行属于同一段落，间隔更大则开启新段。明显大于正文的文本是标题，大多少决定级别。片段在共同水平位置上对齐的若干行构成表格。页面中部一条高而空的纵向带意味着分栏，因此阅读顺序应当先走完一栏再走另一栏。

本转换器大致采用以下阈值，单位是正文字高的倍数：

每一次失败都源自某条规则

把上面那张表当作假设清单再读一遍，错误就不再神秘了。

• 只靠字重或颜色而不改变字号来区分的标题，对基于字号的阈值来说是隐形的。一份用 11pt 加粗标题配 11pt 正文的文档，从几何上说根本没有标题。
• 含合并单元格的表格会破坏共同位置的判定，因为合并单元格占据的位置没有任何其他行使用。行不再对齐，这一块也就不再被识别为表格。
• 内容折到第二行的单元格，看起来像两行，其中一行还缺了一块。
• 过于宽松的行距会把同一段落的行推过段落分隔阈值，把它拆开；段落之间过于紧凑的间距则会把它们并成一段。
• 三栏版面、宽度不等的双栏、被通栏插图打断的栏——都会让页面中缝的判定失效。
• 以图片形式排出的文字——含文字的标志、带标签的图表、扫描页面——根本没有字形，因此既无可定位之物，也无可读之物。

哪些文档能干净转换

规律始终一致：由文字处理软件产出的单栏文档，标题明显大于正文，表格是简单的矩形，而且里面是真正的文字而非文字的图片。

这描述了大多数报告、论文、手册、学位论文、合同、会议纪要和内部文档——也就是人们要转换的绝大部分内容。它不描述杂志、宣传册、带设计信息图的年报、表单、含复杂表格的发票，以及任何扫描件。

从难处理的文档里拿到更好的结果

有几件事确实管用，大致按效果从大到小排列。

• 如果你能重新生成 PDF，就导出带标签的版本——更好的做法是跳过 PDF，直接转换原始文档。转换由 Word 文件生成的 PDF，永远不如转换那份 Word 文件。
• 拆分混合版面的文档。把十页正文和四页表格分开转换，好过跟一次必须同时应付两者的转换较劲。
• 把顽固的表格单独抽出来。在 60 页文档里失败的表格，当它是页面上唯一内容时往往能正确转换。
• 对于用字重表示标题的文档，做好手工修标题的准备。那是一轮查找替换，不是重新录入的活。
• 对扫描件，先跑文字识别。没有捷径：任何解析器都找不到从未以文字形式编码的文字。

永远读一遍结果

真正耗费时间的失败，不是那种明显崩掉的转换，而是悄悄丢东西的那种——一个脚注、表格的最后一行、落在检测到的栏外的一行——然后交给你一份干净、可信、内部却有个洞的 Markdown。

在依赖它之前，把转换后的 Markdown 与原文对照着通读一遍，尤其留意表格、所有数字，以及每页最后几行。悄无声息的丢失就集中在那里。