断网批量提取 PDF 正文，扫描件与电子文档结果导出 Word、HTML、Markdown

大家好，这里是离线办公智能体广场。最近我们很有激情地研究了一个技术：如何把 PDF 里的正文完整提取出来，变成可编辑、可复用的文档。

今天就把这套方案和教程做个总结。它可以在断网环境下，批量处理一批 PDF——无论是扫描件、截图转成的 PDF，还是自带文字层的电子文档——把正文识别出来，并按你的需要导出为 Markdown、HTML 或 Word。表格内容也能一并保留，方便后续整理、检索和二次编辑。

 

一、需求分析

我准备了一个扫描版的PDF和一个可编辑版的PDF ，截图如下：

 

第二个PDF：

 

需要将他们都转成 Word，HTML 或者Markdown。 下面是我转成Word的结果图：

 

第二个Word：

 

文字版就不用说了， 我案例中的扫描版其实字体是不清晰的，但是转换出来的还是效果很不错的。然后表格那些也都保留了。 

 

二、实现方案一：小白上手

打开鲸闲办公智能体广场，找到 “PDF 内容提取”，如图：

注意，可断网使用！！！ 

 

获取： 宫中&浩气： “老罗软件”。 然后将所有的 PDF进行输入，如图：

 

 

这些参数都可以根据自己的需求默认即可。 下面我简单说明一下重要的参数的含义：

• 识别页范围： 指定哪些页参与识别。
• 输出格式：支持Word，HTML，MarkDown。
• 文字来源：有扫描版时，选OCR。 OCR类慢一点，需要模型的支持。文字类型就很快。

 

执行时，可以是网络断开的环境，但是第一次执行会自动下载OCR模型到本地（需要网络），以后使用就无需下载和联网了。 

 

三、实现方案二：Python脚本

 用 Python + Paddle 做 PDF 批量正文提取，对经常要处理扫描档案、论文资料、合同附件、内部文档的人来说，非常实用。

它适合这样的场景：手里有一批 PDF，需要把正文完整识别出来，再导出成 Markdown、HTML 或 Word，方便后续编辑、检索、归档和二次整理。扫描件、截图转成的 PDF 走 OCR；自带文字层的电子 PDF 也可以直接读文本层，速度更快。

优势：

• 可批量处理大量 PDF，适合成批资料转写
• 对扫描件、拍照件、截图 PDF 更友好，不依赖原始文本层
• 支持 OCR 识别和文本层提取两种模式，流程统一
• 可保留表格结构，导出后比纯 TXT 更易读
• 本地运行，文件不出本机，适合内部材料和敏感文件
• 可按需导出 Markdown / HTML / Word，方便接入不同工作流

劣势：

• 需要一定 Python 基础，首次运行要安装依赖并下载模型
• 扫描模糊、倾斜严重、版式复杂的 PDF，识别效果会受影响
• 多栏排版、页眉页脚、图文混排场景，往往还需要人工校对
• 大批量高清 PDF 处理耗时较长，对 CPU / 内存有一定压力
• 文本层提取仅适用于「可选中复制文字」的电子 PDF，扫描件无效

下面是一个简单的 Paddle 实现示例：批量读取目录下的 PDF，识别正文内容，并按页导出为 Markdown；如需 HTML / Word，可在此基础上继续转换。

 

import os
from pathlib import Path
from paddlex import create_pipeline
# 输入目录，可包含多个子目录
input_root = r"path\to\your\pdfs"
# 输出目录
output_root = r"path\to\your\output"
Path(output_root).mkdir(parents=True, exist_ok=True)
# 仅处理 PDF
SUPPORTED_EXT = {".pdf"}
# 创建文档解析流水线
# 不同 PaddleX 版本 API 可能略有差异，实际以当前版本文档为准
pipeline = create_pipeline(
    pipeline="PP-StructureV3",
    use_table_recognition=True,      # 保留表格
    use_seal_recognition=False,      # 不识别印章
    use_formula_recognition=False,   # 不识别公式
)
def process_file(file_path: Path):
    ext = file_path.suffix.lower()
    if ext not in SUPPORTED_EXT:
        print(f"跳过不支持的文件：{file_path}")
        return
    print(f"识别中：{file_path}")
    # PDF 会按页处理
    results = pipeline.predict(str(file_path))
    # 每个 PDF 单独建一个输出目录
    file_output_dir = Path(output_root) / file_path.stem
    file_output_dir.mkdir(parents=True, exist_ok=True)
    for page_index, res in enumerate(results, start=1):
        page_dir = file_output_dir / f"page_{page_index:03d}"
        page_dir.mkdir(parents=True, exist_ok=True)
        # 导出 Markdown；不同版本也可能支持 save_to_html / save_to_word
        res.save_to_markdown(save_path=str(page_dir))
    print(f"完成：{file_path} -> {file_output_dir}")
def walk_files(root: Path):
    for path in root.rglob("*"):
        if path.is_file():
            process_file(path)
if __name__ == "__main__":
    walk_files(Path(input_root))
    print(f"全部处理完成，结果目录：{output_root}")

 

如果 PDF 本身是可选中文字的电子文档，也可以先用文本层直接提取，速度更快：

import fitz  # PyMuPDF
def extract_text_layer(pdf_path: str, output_md: str):
    doc = fitz.open(pdf_path)
    parts = []
    for page in doc:
        parts.append(page.get_text("text"))
    Path(output_md).write_text("\n\n".join(parts), encoding="utf-8")

 

四、总结

PDF 正文批量转写已经能直接用于日常：离线工具同样适合大批量处理，拖入一批 PDF 即可导出 Markdown、HTML 或 Word，本地运行、不改源文件；只有需要自定义识别规则或对接内部流程时，再考虑脚本方案。扫描模糊、版式复杂的结果建议当初稿，关键内容入库前核对一遍即可。