PDF转Word后，每行都成一段？先分清断段、文本框和扫描页

PDF转成Word之后，文字能选中，不代表能顺畅修改。每行一个段落、左右栏串在一起、整页只剩一张图片，是三种不同的问题，不能统一靠删除换行解决。

下面用三份教学PDF检查：普通正文带表格、双栏文字，以及由第一份文件生成的扫描副本。输入内容与检查结果在下文直接列出；实际操作时可使用自己有权处理的PDF。

先判断是哪种问题

在Word中显示段落标记。行末是段落标记时，按删除键可能合并两个本来独立的段落；如果文字在不同文本框中，删换行也不会把它们变成一段。扫描页还要先生成可编辑文字。

批量替换前先复制文件，只选一小段测试。表格、脚注、标题和列表分别检查，避免把真实结构一起删掉。

根据症状选择检查方法

看到的现象	先怎么确认	下一步
每行末尾都有段落标记	在副本中显示格式标记，观察一句话是否被切成数段	只选一段试合并，保留标题、列表和表格的结构
文字能选中，但整段不能连续重排	点击文字查看是否位于独立文本框	先核对阅读顺序，再决定重排，避免全局删换行
整页是一张图片	点击后只出现图片控制点，文字无法单独选取	转换时启用OCR，再核对编号、金额和易混字符

这些现象可以同时出现。先判断对象类型，再处理换行，比一上来全局替换更容易保住表格和段落。

用同一组输入检查转换结果

通过PDF转Word接口生成DOCX，扫描样本启用OCR：

curl --fail-with-body 'https://api-server.compdf.com/server/v2/process/pdf/docx'   --header "x-api-key: $COMPDF_API_KEY"   --form 'file=@word-scan.pdf' --form 'enableOcr=1'   --output response.json

响应是JSON，先检查业务状态与下载地址，再下载文件，不能直接改名成DOCX。下面的完整脚本包含这些检查，使用Python 3.10以上标准库，无需安装额外依赖。保存为convert_pdf.py：

"""Python 3.10+. Set COMPDF_API_KEY; keep the key on your server."""
import argparse,io,json,os,uuid,zipfile
from pathlib import Path
from urllib.request import Request,urlopen

p=argparse.ArgumentParser()
p.add_argument('input',type=Path);p.add_argument('output',type=Path)
p.add_argument('--operation',choices=['parse','word','ocr'],default='parse')
a=p.parse_args()
endpoints={'parse':'idp/documentParsing','word':'pdf/docx','ocr':'pdf/editable'}
boundary='ComPDFSample'+uuid.uuid4().hex
parts=[]
if a.operation in ['word','ocr']:
 parts.append(f'--{boundary}\r\nContent-Disposition: form-data; name="enableOcr"\r\n\r\n1\r\n'.encode())
parts.append(f'--{boundary}\r\nContent-Disposition: form-data; name="file"; filename="input.pdf"\r\nContent-Type: application/pdf\r\n\r\n'.encode()+a.input.read_bytes()+b'\r\n')
request=Request('https://api-server.compdf.com/server/v2/process/'+endpoints[a.operation],data=b''.join(parts)+f'--{boundary}--\r\n'.encode(),headers={'x-api-key':os.environ['COMPDF_API_KEY'],'Content-Type':'multipart/form-data; boundary='+boundary})
with urlopen(request,timeout=150)as response:payload=json.load(response)
data=payload.get('data')or{}
if isinstance(data,list):data=data[0]if data else{}
if str(payload.get('code'))!='200'or data.get('status')!='success':
 raise RuntimeError('Processing did not complete successfully; inspect the business status on the server.')
with urlopen(data['downloadUrl'],timeout=60)as response:body=response.read()
if a.operation=='ocr':
 if not body.startswith(b'%PDF'):raise ValueError('Expected PDF')
else:
 with zipfile.ZipFile(io.BytesIO(body))as archive:
  required='word/document.xml'if a.operation=='word'else 'result_json.json'
  if required not in archive.namelist():raise ValueError('Unexpected result archive')
a.output.write_bytes(body)
print('Saved',a.output.name,len(body),'bytes')

把自己的PDF保存为input.pdf，运行：

python convert_pdf.py input.pdf output.docx --operation word

脚本把扫描OCR参数设为1；下载后检查ZIP中存在word/document.xml。遇到业务失败或处理中状态会停止，不把响应JSON改名为DOCX，也没有实现异步轮询。不要将API密钥放进浏览器代码或截图。

密钥只放服务端环境变量。本例调用海外节点；接入时根据账号及数据处理要求选择节点。

输入里有哪些容易丢失的信息

普通正文样本包含两个独立段落，以及以下表格。第二段特意放入编号QA-271与零值0.00，便于核对；扫描样本由同一内容生成。

项目	数量	金额
支架	3	135.60
赠品	1	0.00

检查时既看文字是否存在，也看金额仍对应哪一行。双栏样本单独核对"左栏从上到下读完，再读右栏"，不把可提取文字当作阅读顺序正确。

实际产物说明了什么

输入	文件结构检查结果	需要注意的地方
普通正文	两段正文分别保留；表格仍有独立单元格；没有文本框	仍需在目标Word版本中检查增删文字后的布局
双栏文字	每行将左栏和右栏放在同一段，用制表符分隔	没有恢复按整列阅读的顺序
扫描副本	正文、编号和表格内容可提取	页脚中的"教学示例"未完整保留

程序修改并重新读取之外，本次还在WPS中打开普通正文样本的DOCX副本，修改教学说明文字、增加一行表格，再保存、关闭并重开。新增的QA-271、数量1、金额0.00仍在，页面保持可读。此结果不代表已覆盖Microsoft Word的不同版本，也不改变双栏顺序仍需整理的结论。

图：双栏原文件期望顺序与实际DOCX段落顺序对照；依据实际结构重排展示，非Word界面截图

交付前再改一次、重开一次

用实际接收方的Word或WPS打开文件，修改一段长正文，增加一行表格，保存并重新打开。检查后面的段落有没有挤乱、表格金额是否仍对应正确行。

本例普通正文与表格适合继续验证，双栏样本仍需整理。批量接入前，用自己的授权样本分别记录不同版式的通过项，而不是只看转换是否成功。