简介面向需要在 Windows 上把 PDF 批量转成 Word 的办公人群这是一份基于 Python 自行整合打包的转换工具解压后直接运行 pdf2doc.exe 即可使用免安装、无广告支持单个文件、多文件以及整个文件夹的批量转换。压缩包共 1154 个文件约 105.54MB其中 1 个 exe 主程序、11 个 py 源码文件与 50 个 dll、60 个 pyd 等运行时依赖共同构成可独立运行的环境还包含大量时区数据文件、txt/readme 说明与图标 gif 等资源体现 PyInstaller 打包的完整目录结构。已有 142 人学习下载。对于日常需要处理合同、报告、论文等 PDF 文档的办公人员可直接获得一个开箱即用的转换工具并借助附带源码了解 PDF 解析与 docx 生成的实现思路也便于按需二次修改批量处理文件夹的能力可显著减少重复操作。1. 从双击闪退说起pdf2doc.exe 在 Win10 和 Win11 上的真实门槛第一次拿到这个 pdf2doc.exe我也以为双击就完事——结果窗口白光一闪什么都没留下。后来才想明白所谓「自己用 python 整理的 pdf 转 doc 工具解压即用」省掉的是装 Python、敲 pip 的功夫没省掉的是 Windows 这层地基。同一份包在一台 Win11 家庭版上少了个 vcruntime140_1.dll 直接起不来换到另一台 Win10 专业版解压到桌面路径带中文又抛编码错误。pdf 转 doc 这件事本身不复杂复杂的是运行库、解压路径以及你手上那份 PDF 到底是文本型还是扫描件。这篇笔记写给两类人想双击就用、不碰命令行的办公用户和想搞清楚 exe 里到底塞了什么、出问题能自己救回来的开发者。装不好最轻是白等五分钟没输出最重是转出一份排版全散的 doc还怪工具不行。2. 装前清点环境64 位系统、VC 运行库与解压目录的选择这一步最容易被跳过也最容易在后面翻车。打包成 exe 的 Python 工具本质是把解释器、依赖库和你的脚本一起封进一个可执行文件里它对外部环境的要求确实比源码运行低很多但不是零。装之前花五分钟把下面几项确认一遍能省掉后面一小时的重装。2.1 系统版本与位数为什么 32 位机器直接出局打包出来的 exe 内嵌的是 64 位 Python 解释器这是当前打包工具的默认行为因为绝大多数第三方库尤其是处理 PDF 里图像的库已经不再提供 32 位轮子。在 32 位系统上双击得到的是「不是有效的 Win32 应用程序」这个报错跟包本身没关系再换十个版本也一样。先用一条命令把底细看清楚# 一次看清系统名、版本号、架构Win10/Win11 通用 Get-ComputerInfo | Select-Object OsName, OsVersion, OsArchitecture输出里OsArchitecture必须是64-bit。老系统上有人习惯用wmic os get Caption,Version,OSArchitecture注意wmic在新版 Win11 里已经被移除敲下去会提示找不到命令不是你环境坏了是微软把它退役了改用上面的 PowerShell 写法就行。版本方面我这边的经验值是 Win10 1809 及以上、Win11 21H2 及以上最稳。原因不在 exe 本身而在系统自带的 Universal C Runtime也就是ucrtbase.dll那一套在这两个版本之后才完整覆盖更老的系统缺文件时会连带报一串api-ms-win-crt-*找不到。真遇到这种老机器与其折腾不如直接补运行库方法在下一节。2.2 运行库补齐vcruntime140 与 UCRT 各自管什么这是 pdf2doc.exe 起不来的第一大原因也是最容易被误判成「包坏了」的原因。Python 解释器本身是用 MSVC 编译的它依赖 Visual C 运行库里的几个 DLL。这几个文件在装了开发工具的机器上一定有在干净的办公机上经常缺。先查别急着装REM 三个文件都在运行库这一关基本就过了 dir C:\Windows\System32\vcruntime140.dll dir C:\Windows\System32\vcruntime140_1.dll dir C:\Windows\System32\ucrtbase.dll三者的分工不一样搞清楚这个看报错时就不会乱猜文件作用常见缺失场景vcruntime140.dllC 运行时核心负责内存分配、异常抛出等基础能力全新装机的办公电脑vcruntime140_1.dllx64 下 C 异常处理相关只有 64 位版本才有装过旧版 VC 运行库的机器ucrtbase.dllUniversal C RuntimeWin10 起系统自带精简版系统、老版本 Win10缺哪个都别去网上单独下那个 DLL 往 System32 里塞这是血泪经验——版本对不上会导致更多程序一起崩而且很难回滚。正确做法是装微软官方的「Visual C 2015-2022 Redistributable」x64 版本一个安装包装完三个文件全齐装完重启一次让 PATH 和注册表生效。这一步不需要联网找什么特殊渠道微软下载中心直接搜这个名字就有。注意如果你的机器上已经装了一堆版本的 VC 运行库2010、2013、2015、2017 各一份不要卸载旧的。它们之间是并存关系卸载旧版会让别的老软件跟着挂。2.3 解压目录三不原则不中文、不空格、不同步运行库齐了第二个坑在路径。这套 pdf2doc.exe 底层调用的 PDF 解析库很多文件操作走的是系统默认编码路径里带中文时在某些区域设置下会抛UnicodeDecodeError或者干脆静默失败——表现就是双击后没反应任务管理器里进程闪一下就消失。三条原则按重要性排序第一路径不带中文。D:\工具\pdf2doc这种看着舒服实际是给自己埋雷改成D:\tools\pdf2doc。第二路径不带空格。D:\my tools\pdf2doc在命令行里不加引号会被截断成两段exe 收到的参数就是错的。桌面路径C:\Users\XXX\Desktop里如果用户名带空格同样中招。第三不放在 OneDrive、坚果云这类同步目录下。转换过程中 exe 会往输出目录写文件同步客户端可能同时占用这个文件句柄结果就是「转换完成但文件是 0 字节」。这种问题最难查因为日志里一切正常。还有个权限问题别解压到C:\Program Files下面。那个目录默认需要管理员权限才能写而 pdf2doc.exe 默认把输出放在自己所在目录写不进去就报「拒绝访问」。我一般固定放在D:\tools\pdf2doc全盘无中文、无空格、不同步、不需要提权。2.4 一份可直接对照的环境清单把上面几项合并成一张表装之前逐条打勾。这张表我在几台机器上验证过只要全绿双击跑通的概率在九成以上检查项合格标准怎么查不满足的后果系统架构64 位Get-ComputerInfo提示不是有效的 Win32 应用系统版本Win10 1809 / Win11 21H2同上缺 UCRT报 api-ms-win-crt 错误VC 运行库vcruntime140 系列齐全dir查 System32双击闪退无任何提示解压路径纯英文、无空格、本地盘目测编码错误或写入失败磁盘空间至少留 2 倍 PDF 体积资源管理器转换中途失败输出残缺杀软状态已加排除目录见第 5 章exe 被静默删除或隔离磁盘空间这条容易被忽略。PDF 转 doc 的过程是先解析、再重建文档结构中间会生成临时文件占用大致是原文件的 1 到 2 倍。一个 200MB 的扫描版 PDF转的时候临时目录可能吃掉 400MBC 盘红了的机器上直接失败报错还很不明显。3. 解压与首次启动从压缩包到 pdf2doc.exe 跑起来环境清完进入实际动手环节。这一章的动作不多但每一步都有个「为什么」照着做能避开大部分首次启动的失败。3.1 用对解压工具别在压缩包里双击第一个动作把压缩包完整解压出来不要在压缩软件的预览窗口里直接双击 pdf2doc.exe。原因很实在。Windows 资源管理器打开 zip 时你看到的是一个虚拟目录双击里面的 exe系统会先把它释放到%TEMP%下的一个随机临时目录再运行。如果你的包是单文件 exe所有依赖都封进去了这样勉强能跑但只要包里还有配套的 dll、配置文件或者字体文件exe 在临时目录里就找不到它们报错信息通常是「找不到模块」或者干脆无响应。而且临时目录在进程退出后会被清理你连排查的现场都留不下。解压工具的选择上Windows 自带的「全部解压缩」对付小包够用但遇到内含几十上百个小文件的包时偶尔会出现解压不完整、权限丢失的情况尤其是从某些渠道下载、带了额外元数据的压缩包。我一般用 7-Zip右键「提取到当前位置」稳。解压完先看一眼目录结构正常应该长这样D:\tools\pdf2doc\ ├── pdf2doc.exe ← 主程序双击入口 ├── _internal\ ← 依赖库目录单文件版可能没有 ├── samples\ ← 示例 PDF用来验证环境 └── README.txt ← 参数说明_internal目录存不存在决定了你这个包是「单文件模式」还是「目录模式」。单文件模式启动慢每次都要把内部文件解压到临时目录目录模式启动快。两种都能用别因为看到一堆 dll 就以为中病毒了。3.2 解除锁定与首次启动的两种姿势从网络下载的压缩包解压出来的文件会带一个「来自其他计算机」的标记Windows 会因此限制它的执行权限。表现是双击后弹一个「Windows 已保护你的电脑」的蓝色窗口或者干脆没反应。先解除锁定# 递归解除目录下所有文件的网络来源标记 Get-ChildItem -Path D:\tools\pdf2doc -Recurse | Unblock-File这条命令的作用是去掉每个文件的 Zone.Identifier 备用数据流等价于手动右键属性里点「解除锁定」只是批量的。执行完不会有任何输出这是正常的没消息就是好消息。然后首次启动别急着双击先在命令行里跑一次REM 先切到程序目录保证工作目录正确 cd /d D:\tools\pdf2doc REM 打印帮助信息验证 exe 能正常加载 pdf2doc.exe --help为什么要多这一步因为双击启动时如果程序崩了窗口一闪而过你什么都看不到——尤其是打包时用了无控制台模式-w参数的版本报错信息根本没有输出的地方。而在 cmd 里跑Python 的 traceback 会完整打出来是缺 DLL 还是参数错误一眼就能分辨。这一步是后面所有排查的基础养成习惯。如果--help能正常打印参数列表说明运行库、路径、权限三关都过了双击大概率也能用。如果这一步就报错直接跳到第 5 章对症处理。提示把cd /d D:\tools\pdf2doc和pdf2doc.exe两行存成一个run.bat放在同目录以后双击 bat 启动等于每次都在正确的工作目录下运行还能保留报错窗口。3.3 用批处理把 pdf2doc.exe 变成拖拽工具命令行能用之后就可以做点提升效率的事了。这套工具最顺手的用法不是一个个双击而是把 PDF 直接拖到批处理文件上批量处理。下面这个脚本我一直在用echo off REM pdf2doc 拖拽批处理把若干 PDF 拖到本文件上即可批量转换 setlocal enabledelayedexpansion REM %~dp0 是本 bat 所在目录保证不受当前工作目录影响 set EXE%~dp0pdf2doc.exe set OUTDIR%~dp0output REM 输出目录不存在就先建exe 自己不会创建 if not exist %OUTDIR% mkdir %OUTDIR% :loop REM 没有更多参数就退出循环 if %~1 goto done echo 正在转换: %~nx1 REM 输入输出都用引号包住防止路径里有空格 %EXE% --input %~1 --output %OUTDIR% shift goto loop :done echo 全部处理完成输出目录: %OUTDIR% pause逐段说一下逻辑。setlocal enabledelayedexpansion是为了在循环里正确读取变量虽然这个脚本没用到复杂变量但带上不会有副作用。%~dp0展开成 bat 文件所在目录的绝对路径带结尾反斜杠用它拼EXE和OUTDIR好处是不管你从哪里启动这个 bat路径都对。if not exist %OUTDIR% mkdir这行必须留着输出目录不存在时 exe 会直接报错退出而不是自动创建。循环部分靠shift推进参数列表%~1是第一个参数去掉引号后的值%~nx1只取文件名和后缀用来打印进度。%EXE% --input %~1 --output %OUTDIR%是核心调用两个路径参数都加了引号——这一步不做含空格的路径必挂。最后pause是给自己留个后悔药批处理跑完窗口不会立刻关掉能看到哪几个文件成功、哪几个报错。等用熟了、确认没问题再把这行删掉。这个脚本还能再改一步加个时间戳避免同名文件被覆盖。把set OUTDIR%~dp0output换成带%date%和%time%的目录名即可不过%date%的输出格式跟系统区域设置有关中文系统下带「周」字直接拼进路径会出错需要时用wmic os get localdatetime取值更稳。4. 参数与环境配置pdf 转 doc 的输出质量由这几项决定工具跑起来了接下来的问题是「转出来的 doc 能不能用」。同一份 PDF参数不同输出质量能差出两个档次。这一章讲清楚路径怎么写、参数怎么取舍以及在什么情况下值得放弃 exe、自己搭一套 Python 环境。4.1 输入输出路径引号、盘符与相对路径路径这件事在图形界面里点鼠标不会出错一进命令行全是坑。三条规则记牢第一路径一律用绝对路径加双引号。--input D:\合同\2024\a.pdf是能跑的--input D:\合同\2024\a.pdf在某些参数解析实现下会被空格切断如果路径里有空格或者被反斜杠转义搞乱。第二相对路径的基准是「当前工作目录」不是 exe 所在目录。双击运行时工作目录通常就是 exe 目录但如果你从快捷方式、计划任务或者别的程序里调用工作目录可能是C:\Windows\System32此时--input samples\a.pdf会找不到文件。稳妥做法是在脚本开头cd /d %~dp0锁死工作目录这也是上一章那个批处理里做的事。第三输出路径必须指向一个已存在的目录。多数这类工具不会自动创建多级目录--output D:\out\2024\06里如果2024\06不存在直接报错。要么先mkdir要么输出到单一目录靠文件名区分。还有一个实际会遇到的问题同名覆盖。批量转的时候两个不同目录下的报告.pdf输出到同一个output目录后一个会把前一个顶掉而且没有任何提示。我一般按源文件名加哈希或者时间戳重命名批处理里用%~n1_%random%.docx之类的简单方式也能应急。4.2 转换参数取舍页面范围、图片压缩与表格具体参数名以你手上这个包的--help输出为准不同时间打包的版本会有出入。下面这张表是我这个版本里实际存在的几项以及调它们会带来什么变化参数作用默认什么时候改--input指定输入 PDF 路径无必填支持单个文件--output指定输出目录或文件当前目录批量时指向统一目录--start / --end只转指定页码范围全部几百页的文档先转前 10 页试效果--password打开加密 PDF无有密码的 PDF 必须先给密码--no-image跳过图片只保留文字关闭纯文字文档想减小体积时用几个取舍经验。页面范围这个参数看着不起眼实际是最省时间的一个 500 页的标书先--start 1 --end 10转十页看看表格和页眉页脚还原得怎么样满意了再全量跑比闷头等二十分钟强得多。加密 PDF 不给密码的话报错信息通常很含糊「文件无法打开」容易误判成文件损坏先确认一下 PDF 打开时要不要密码。更重要的一件事先判断你的 PDF 是文本型还是扫描件。这个判断决定了后面所有参数的意义。文本型 PDF 里的文字是可提取的字符转出来的 doc 能编辑扫描件本质上是一堆图片转出来的 doc 里只有图片看着「转换成功」实际一个字都改不了。用一段 Python 几秒钟就能判断import fitz # PyMuPDFpip install pymupdf doc fitz.open(rD:\samples\test.pdf) text .join(page.get_text() for page in doc) print(f页数: {doc.page_count}, 可提取字符数: {len(text)}) if len(text) / max(doc.page_count, 1) 50: print(疑似扫描件转出的 doc 里会是图片需要 OCR 才能编辑)这段代码遍历每一页调get_text()把可提取的文字拼起来统计长度。判断阈值用「平均每页少于 50 个字符」是个经验值——正常文本型 PDF 每页几百到上千字符扫描件接近 0偶尔有几页带页眉文字的会在几十的量级。这个判断很重要因为这套 pdf2doc.exe 不含 OCR 引擎遇到扫描件不要反复重试换参数那是白费功夫得换工具。4.3 换条路走自己搭 Python 环境跑源码并打包 exe如果你需要改转换逻辑、加批量重命名、或者想把工具塞进自己的流水线那就别用现成的 exe自己搭一套。这套环境不复杂Python 3.9 到 3.11 之间挑一个都行太新的版本有时第三方库轮子还没跟上。# 建一个独立虚拟环境别污染系统 Python py -3.11 -m venv venv venv\Scripts\activate # 升级 pip 再装依赖顺序别反 python -m pip install --upgrade pip pip install pdf2docx pyinstaller # 先用解释器直接跑确认逻辑没问题 python pdf2doc.py --input D:\samples\test.pdf --output D:\outpy -3.11 -m venv venv里的-3.11是版本选择器机器上装了多个 Python 时靠它指定venv\Scripts\activate是 Windows 下的激活脚本路径Linux 下是venv/bin/activate别搞混。依赖装两个就够转换库负责解析 PDF 和生成 docx打包工具负责封成 exe。跑通之后打包# 先用控制台模式打包方便看报错 pyinstaller -D -c -n pdf2doc pdf2doc.py # 确认没问题后再换成无控制台的单文件模式 pyinstaller -F -w -n pdf2doc pdf2doc.py四个参数的差别值得说清楚因为这直接对应了本文开头那个「双击闪退」的坑。-D是目录模式输出的dist\pdf2doc\里有一堆文件启动快-F是单文件模式所有东西封进一个 exe启动时要先解压到临时目录首次启动明显慢文件越大越明显。-c保留控制台窗口报错能看见-w去掉控制台界面干净但出问题时两眼一抹黑。我的一般做法是调试阶段用-D -c稳定之后再出-F -w给不碰命令行的人用。如果你拿到的现成包是-w打包的遇到闪退就按第 3 章的办法从命令行启动把报错捞出来。注意PyInstaller 打包出来的 exe在某些杀软眼里特征很像恶意程序这是打包机制决定的不是包本身有问题。处理办法见下一章。5. 常见问题排查闪退、缺 DLL、被杀软拦、转出来是空白这一章是我自己踩过的、以及帮别人远程处理时遇到频率最高的五类问题。每一条都按「现象、原因、解决」写照着对号入座就行。5.1 双击一闪而过看不到任何报错现象双击 pdf2doc.exe鼠标转一圈什么都没发生任务管理器里进程出现又消失。原因三种可能。一是打包时用了-w无控制台模式Python 抛出的异常没有输出目标直接吞掉二是程序启动时工作目录不对找不到同目录的依赖文件三是参数缺失程序要求必须给输入文件双击时没有任何参数它解析失败就退出了。解决从命令行启动把报错捞出来。cd /d D:\tools\pdf2doc pdf2doc.exe --help如果--help能出结果说明程序本身没问题双击失败是因为没给参数——那就用第 3 章的拖拽批处理或者建个快捷方式在「目标」里补上参数。如果--help也闪退把命令换成pdf2doc.exe --help log.txt 21日志会写进 log.txt里面通常能看到缺哪个 DLL 或者哪行代码出错。5.2 提示缺少 vcruntime140.dll 或 api-ms-win-crt现象弹窗报「计算机中丢失 vcruntime140.dll」或「api-ms-win-crt-runtime-l1-1-0.dll」程序无法启动。原因系统没装 Visual C 运行库或者装的是 32 位版本而程序是 64 位的。这个错误跟 pdf2doc.exe 本身一点关系没有换任何 Python 打包的工具都会报。解决装微软官方的 Visual C 2015-2022 Redistributable 的 x64 版本装完重启。别去第三方站点单独下那个 dll 文件丢进 System32版本错配会导致其他程序连环崩而且卸载不干净。装完用第 2 章那三条dir命令复查一遍三个文件齐了再跑。5.3 杀软与 Windows Defender 把 exe 删了现象解压完还在过一会儿文件没了或者双击时提示「此应用已被阻止」日志里能看到被隔离的记录。原因PyInstaller 打包的单文件 exe运行时会把自身解压到临时目录并执行这个行为特征跟某些恶意程序高度相似启发式扫描容易误判。这不是你这个包特有的问题所有 Python 打包工具都有。解决把整个程序目录加进杀软的排除列表Windows Defender 的路径是「病毒和威胁防护 → 管理设置 → 排除项 → 添加排除项 → 文件夹」。加之前先确认包是从可信来源拿到的确认没问题再加。加完把被隔离的文件恢复回来或者重新解压一次。如果你自己打包用代码签名证书签一下能显著降低误报率个人用户就算了成本不划算。5.4 转出来的 doc 打不开、乱码或整页空白现象转换过程显示成功output 目录里也有文件但用 Word 打开提示「文件已损坏」或者打开后全是乱码方块或者干脆一片空白。原因按出现频率排——路径带中文导致编码错乱PDF 本身是扫描件所以只有图片不算故障PDF 有权限密码但没提供转换中途磁盘满了导致文件写了一半用 WPS 打开而文件实际是 docx 格式但后缀被改成了 doc。解决按顺序排查。先看文件大小0 字节或者明显偏小就是写入失败检查磁盘空间和输出目录权限。再看路径把输入输出都挪到纯英文路径下重试。然后用 4.2 节那段 Python 判断是不是扫描件。最后确认文件真实格式# 读文件头几个字节docx 本质是 zip开头是 PK Format-Hex -Path D:\out\test.docx -Count 4输出里如果看到50 4B也就是 ASCII 的PK说明这是标准的 docx用 Word 打开没问题WPS 报错就升级 WPS 版本。如果开头是D0 CF 11 E0那是老的 doc 二进制格式说明工具输出的是 doc 而非 docx同样用 Word 能开。5.5 大文件卡死、进度条不动的处理顺序现象转一个几百页的 PDF卡在某一页十几分钟不动CPU 占用很低内存占用一路涨。原因这类工具是逐页解析再重建文档结构的页数一多内存占用是线性增长的PDF 里如果有特别复杂的矢量图或者嵌套表格单页解析耗时会突然拉长还有一种情况是 PDF 本身有损坏解析器在某一页死循环重试。解决先用页面范围分段处理这是最有效的手段。REM 分三段转每段 200 页中间失败不影响已完成的部分 pdf2doc.exe --input D:\samples\big.pdf --output D:\out --start 1 --end 200 pdf2doc.exe --input D:\samples\big.pdf --output D:\out --start 201 --end 400 pdf2doc.exe --input D:\samples\big.pdf --output D:\out --start 401 --end 600分段之后还要合并用 Word 的「插入 → 对象 → 文件中的文字」按顺序合并就行比装额外的合并工具省事。如果分段后还是卡在固定某一页那就是那份 PDF 该页有问题用阅读器单独导出那一页重试或者直接跳过——为了两页内容耗一晚上不值得。另外转之前先把其他占内存的程序关掉这类工具在 8G 内存的机器上转 500 页以上确实吃力。6. 装完怎么验证三份样本文件跑通才算收工装完不等于能用。我见过太多「装好了」的机器实际转出来一塌糊涂等到真正要用的时候才发现。验证这一步花十分钟比后面返工强。准备三份样本覆盖三种典型场景样本特征验证重点合格标准纯文字 PDF单栏、无图、10 页以内段落是否合并、换行是否正确打开后能直接编辑文字段落完整带表格 PDF有合并单元格、跨页表格表格结构还原度表格是真正的表格不是图片扫描件 PDF整页图片、无文字层确认工具能力边界输出含图片不误判为故障三份都跑一遍命令统一用cd /d D:\tools\pdf2doc pdf2doc.exe --input D:\tools\pdf2doc\samples\text.pdf --output D:\out pdf2doc.exe --input D:\tools\pdf2doc\samples\table.pdf --output D:\out pdf2doc.exe --input D:\tools\pdf2doc\samples\scan.pdf --output D:\out纯文字那份打开后重点看段落有没有被拆成一堆短行——这是 PDF 转 doc 最常见的毛病转换器把每个换行都当成段落分隔结果一段话变成七八段。如果遇到说明这版工具的段落合并策略偏保守可以试试带--no-image参数重跑一次对比。表格那份看的是结构。把光标点进表格里如果 Word 顶部出现「表格工具」的选项卡说明是真表格如果只是看起来像表格但点不进去那就是被渲染成了图片或者文本框这份文档后续没法编辑数据。扫描件那份目的不是要求它转出可编辑文字而是确认它能正常输出、不报错、不卡死。输出里是图片就对了这套包的能力边界到此为止需要 OCR 就换专门工具。最后再用一段脚本做机器校验比肉眼翻页靠谱from docx import Document # pip install python-docx doc Document(rD:\out\text.docx) print(f段落数: {len(doc.paragraphs)}) print(f表格数: {len(doc.tables)}) print(f图片数: {len(doc.inline_shapes)}) # 抽查前三个非空段落确认文字不是乱码 for p in [p.text for p in doc.paragraphs if p.text.strip()][:3]: print(首段:, p[:50])len(doc.paragraphs)给出段落总数跟原 PDF 的段落数量量级对得上就说明没把整篇拆碎len(doc.tables)是零就说明表格没还原成结构len(doc.inline_shapes)能反映图片有没有丢。最后那个列表推导过滤掉空段落取前三段打印如果出现大量问号或者方块就是编码环节出了问题回到第 5 章 5.4 节处理。从那以后我每次在新机器上装这类转换工具都会强制走一遍这三份样本的流程哪怕只是换了台电脑、系统版本一样。因为真正的坑从来不在工具本身而在那台机器的运行库版本、路径设置和杀软策略上这些你不跑一遍是看不出来的。这份自己整理的 pdf2doc 包解压就能用但前提是环境对了——希望帮到你。本文还有配套的精品资源点击获取
简介面向需要在 Windows 上把 PDF 批量转成 Word 的办公人群这是一份基于 Python 自行整合打包的转换工具解压后直接运行 pdf2doc.exe 即可使用免安装、无广告支持单个文件、多文件以及整个文件夹的批量转换。压缩包共 1154 个文件约 105.54MB其中 1 个 exe 主程序、11 个 py 源码文件与 50 个 dll、60 个 pyd 等运行时依赖共同构成可独立运行的环境还包含大量时区数据文件、txt/readme 说明与图标 gif 等资源体现 PyInstaller 打包的完整目录结构。已有 142 人学习下载。对于日常需要处理合同、报告、论文等 PDF 文档的办公人员可直接获得一个开箱即用的转换工具并借助附带源码了解 PDF 解析与 docx 生成的实现思路也便于按需二次修改批量处理文件夹的能力可显著减少重复操作。1. 从双击闪退说起pdf2doc.exe 在 Win10 和 Win11 上的真实门槛第一次拿到这个 pdf2doc.exe我也以为双击就完事——结果窗口白光一闪什么都没留下。后来才想明白所谓「自己用 python 整理的 pdf 转 doc 工具解压即用」省掉的是装 Python、敲 pip 的功夫没省掉的是 Windows 这层地基。同一份包在一台 Win11 家庭版上少了个 vcruntime140_1.dll 直接起不来换到另一台 Win10 专业版解压到桌面路径带中文又抛编码错误。pdf 转 doc 这件事本身不复杂复杂的是运行库、解压路径以及你手上那份 PDF 到底是文本型还是扫描件。这篇笔记写给两类人想双击就用、不碰命令行的办公用户和想搞清楚 exe 里到底塞了什么、出问题能自己救回来的开发者。装不好最轻是白等五分钟没输出最重是转出一份排版全散的 doc还怪工具不行。2. 装前清点环境64 位系统、VC 运行库与解压目录的选择这一步最容易被跳过也最容易在后面翻车。打包成 exe 的 Python 工具本质是把解释器、依赖库和你的脚本一起封进一个可执行文件里它对外部环境的要求确实比源码运行低很多但不是零。装之前花五分钟把下面几项确认一遍能省掉后面一小时的重装。2.1 系统版本与位数为什么 32 位机器直接出局打包出来的 exe 内嵌的是 64 位 Python 解释器这是当前打包工具的默认行为因为绝大多数第三方库尤其是处理 PDF 里图像的库已经不再提供 32 位轮子。在 32 位系统上双击得到的是「不是有效的 Win32 应用程序」这个报错跟包本身没关系再换十个版本也一样。先用一条命令把底细看清楚# 一次看清系统名、版本号、架构Win10/Win11 通用 Get-ComputerInfo | Select-Object OsName, OsVersion, OsArchitecture输出里OsArchitecture必须是64-bit。老系统上有人习惯用wmic os get Caption,Version,OSArchitecture注意wmic在新版 Win11 里已经被移除敲下去会提示找不到命令不是你环境坏了是微软把它退役了改用上面的 PowerShell 写法就行。版本方面我这边的经验值是 Win10 1809 及以上、Win11 21H2 及以上最稳。原因不在 exe 本身而在系统自带的 Universal C Runtime也就是ucrtbase.dll那一套在这两个版本之后才完整覆盖更老的系统缺文件时会连带报一串api-ms-win-crt-*找不到。真遇到这种老机器与其折腾不如直接补运行库方法在下一节。2.2 运行库补齐vcruntime140 与 UCRT 各自管什么这是 pdf2doc.exe 起不来的第一大原因也是最容易被误判成「包坏了」的原因。Python 解释器本身是用 MSVC 编译的它依赖 Visual C 运行库里的几个 DLL。这几个文件在装了开发工具的机器上一定有在干净的办公机上经常缺。先查别急着装REM 三个文件都在运行库这一关基本就过了 dir C:\Windows\System32\vcruntime140.dll dir C:\Windows\System32\vcruntime140_1.dll dir C:\Windows\System32\ucrtbase.dll三者的分工不一样搞清楚这个看报错时就不会乱猜文件作用常见缺失场景vcruntime140.dllC 运行时核心负责内存分配、异常抛出等基础能力全新装机的办公电脑vcruntime140_1.dllx64 下 C 异常处理相关只有 64 位版本才有装过旧版 VC 运行库的机器ucrtbase.dllUniversal C RuntimeWin10 起系统自带精简版系统、老版本 Win10缺哪个都别去网上单独下那个 DLL 往 System32 里塞这是血泪经验——版本对不上会导致更多程序一起崩而且很难回滚。正确做法是装微软官方的「Visual C 2015-2022 Redistributable」x64 版本一个安装包装完三个文件全齐装完重启一次让 PATH 和注册表生效。这一步不需要联网找什么特殊渠道微软下载中心直接搜这个名字就有。注意如果你的机器上已经装了一堆版本的 VC 运行库2010、2013、2015、2017 各一份不要卸载旧的。它们之间是并存关系卸载旧版会让别的老软件跟着挂。2.3 解压目录三不原则不中文、不空格、不同步运行库齐了第二个坑在路径。这套 pdf2doc.exe 底层调用的 PDF 解析库很多文件操作走的是系统默认编码路径里带中文时在某些区域设置下会抛UnicodeDecodeError或者干脆静默失败——表现就是双击后没反应任务管理器里进程闪一下就消失。三条原则按重要性排序第一路径不带中文。D:\工具\pdf2doc这种看着舒服实际是给自己埋雷改成D:\tools\pdf2doc。第二路径不带空格。D:\my tools\pdf2doc在命令行里不加引号会被截断成两段exe 收到的参数就是错的。桌面路径C:\Users\XXX\Desktop里如果用户名带空格同样中招。第三不放在 OneDrive、坚果云这类同步目录下。转换过程中 exe 会往输出目录写文件同步客户端可能同时占用这个文件句柄结果就是「转换完成但文件是 0 字节」。这种问题最难查因为日志里一切正常。还有个权限问题别解压到C:\Program Files下面。那个目录默认需要管理员权限才能写而 pdf2doc.exe 默认把输出放在自己所在目录写不进去就报「拒绝访问」。我一般固定放在D:\tools\pdf2doc全盘无中文、无空格、不同步、不需要提权。2.4 一份可直接对照的环境清单把上面几项合并成一张表装之前逐条打勾。这张表我在几台机器上验证过只要全绿双击跑通的概率在九成以上检查项合格标准怎么查不满足的后果系统架构64 位Get-ComputerInfo提示不是有效的 Win32 应用系统版本Win10 1809 / Win11 21H2同上缺 UCRT报 api-ms-win-crt 错误VC 运行库vcruntime140 系列齐全dir查 System32双击闪退无任何提示解压路径纯英文、无空格、本地盘目测编码错误或写入失败磁盘空间至少留 2 倍 PDF 体积资源管理器转换中途失败输出残缺杀软状态已加排除目录见第 5 章exe 被静默删除或隔离磁盘空间这条容易被忽略。PDF 转 doc 的过程是先解析、再重建文档结构中间会生成临时文件占用大致是原文件的 1 到 2 倍。一个 200MB 的扫描版 PDF转的时候临时目录可能吃掉 400MBC 盘红了的机器上直接失败报错还很不明显。3. 解压与首次启动从压缩包到 pdf2doc.exe 跑起来环境清完进入实际动手环节。这一章的动作不多但每一步都有个「为什么」照着做能避开大部分首次启动的失败。3.1 用对解压工具别在压缩包里双击第一个动作把压缩包完整解压出来不要在压缩软件的预览窗口里直接双击 pdf2doc.exe。原因很实在。Windows 资源管理器打开 zip 时你看到的是一个虚拟目录双击里面的 exe系统会先把它释放到%TEMP%下的一个随机临时目录再运行。如果你的包是单文件 exe所有依赖都封进去了这样勉强能跑但只要包里还有配套的 dll、配置文件或者字体文件exe 在临时目录里就找不到它们报错信息通常是「找不到模块」或者干脆无响应。而且临时目录在进程退出后会被清理你连排查的现场都留不下。解压工具的选择上Windows 自带的「全部解压缩」对付小包够用但遇到内含几十上百个小文件的包时偶尔会出现解压不完整、权限丢失的情况尤其是从某些渠道下载、带了额外元数据的压缩包。我一般用 7-Zip右键「提取到当前位置」稳。解压完先看一眼目录结构正常应该长这样D:\tools\pdf2doc\ ├── pdf2doc.exe ← 主程序双击入口 ├── _internal\ ← 依赖库目录单文件版可能没有 ├── samples\ ← 示例 PDF用来验证环境 └── README.txt ← 参数说明_internal目录存不存在决定了你这个包是「单文件模式」还是「目录模式」。单文件模式启动慢每次都要把内部文件解压到临时目录目录模式启动快。两种都能用别因为看到一堆 dll 就以为中病毒了。3.2 解除锁定与首次启动的两种姿势从网络下载的压缩包解压出来的文件会带一个「来自其他计算机」的标记Windows 会因此限制它的执行权限。表现是双击后弹一个「Windows 已保护你的电脑」的蓝色窗口或者干脆没反应。先解除锁定# 递归解除目录下所有文件的网络来源标记 Get-ChildItem -Path D:\tools\pdf2doc -Recurse | Unblock-File这条命令的作用是去掉每个文件的 Zone.Identifier 备用数据流等价于手动右键属性里点「解除锁定」只是批量的。执行完不会有任何输出这是正常的没消息就是好消息。然后首次启动别急着双击先在命令行里跑一次REM 先切到程序目录保证工作目录正确 cd /d D:\tools\pdf2doc REM 打印帮助信息验证 exe 能正常加载 pdf2doc.exe --help为什么要多这一步因为双击启动时如果程序崩了窗口一闪而过你什么都看不到——尤其是打包时用了无控制台模式-w参数的版本报错信息根本没有输出的地方。而在 cmd 里跑Python 的 traceback 会完整打出来是缺 DLL 还是参数错误一眼就能分辨。这一步是后面所有排查的基础养成习惯。如果--help能正常打印参数列表说明运行库、路径、权限三关都过了双击大概率也能用。如果这一步就报错直接跳到第 5 章对症处理。提示把cd /d D:\tools\pdf2doc和pdf2doc.exe两行存成一个run.bat放在同目录以后双击 bat 启动等于每次都在正确的工作目录下运行还能保留报错窗口。3.3 用批处理把 pdf2doc.exe 变成拖拽工具命令行能用之后就可以做点提升效率的事了。这套工具最顺手的用法不是一个个双击而是把 PDF 直接拖到批处理文件上批量处理。下面这个脚本我一直在用echo off REM pdf2doc 拖拽批处理把若干 PDF 拖到本文件上即可批量转换 setlocal enabledelayedexpansion REM %~dp0 是本 bat 所在目录保证不受当前工作目录影响 set EXE%~dp0pdf2doc.exe set OUTDIR%~dp0output REM 输出目录不存在就先建exe 自己不会创建 if not exist %OUTDIR% mkdir %OUTDIR% :loop REM 没有更多参数就退出循环 if %~1 goto done echo 正在转换: %~nx1 REM 输入输出都用引号包住防止路径里有空格 %EXE% --input %~1 --output %OUTDIR% shift goto loop :done echo 全部处理完成输出目录: %OUTDIR% pause逐段说一下逻辑。setlocal enabledelayedexpansion是为了在循环里正确读取变量虽然这个脚本没用到复杂变量但带上不会有副作用。%~dp0展开成 bat 文件所在目录的绝对路径带结尾反斜杠用它拼EXE和OUTDIR好处是不管你从哪里启动这个 bat路径都对。if not exist %OUTDIR% mkdir这行必须留着输出目录不存在时 exe 会直接报错退出而不是自动创建。循环部分靠shift推进参数列表%~1是第一个参数去掉引号后的值%~nx1只取文件名和后缀用来打印进度。%EXE% --input %~1 --output %OUTDIR%是核心调用两个路径参数都加了引号——这一步不做含空格的路径必挂。最后pause是给自己留个后悔药批处理跑完窗口不会立刻关掉能看到哪几个文件成功、哪几个报错。等用熟了、确认没问题再把这行删掉。这个脚本还能再改一步加个时间戳避免同名文件被覆盖。把set OUTDIR%~dp0output换成带%date%和%time%的目录名即可不过%date%的输出格式跟系统区域设置有关中文系统下带「周」字直接拼进路径会出错需要时用wmic os get localdatetime取值更稳。4. 参数与环境配置pdf 转 doc 的输出质量由这几项决定工具跑起来了接下来的问题是「转出来的 doc 能不能用」。同一份 PDF参数不同输出质量能差出两个档次。这一章讲清楚路径怎么写、参数怎么取舍以及在什么情况下值得放弃 exe、自己搭一套 Python 环境。4.1 输入输出路径引号、盘符与相对路径路径这件事在图形界面里点鼠标不会出错一进命令行全是坑。三条规则记牢第一路径一律用绝对路径加双引号。--input D:\合同\2024\a.pdf是能跑的--input D:\合同\2024\a.pdf在某些参数解析实现下会被空格切断如果路径里有空格或者被反斜杠转义搞乱。第二相对路径的基准是「当前工作目录」不是 exe 所在目录。双击运行时工作目录通常就是 exe 目录但如果你从快捷方式、计划任务或者别的程序里调用工作目录可能是C:\Windows\System32此时--input samples\a.pdf会找不到文件。稳妥做法是在脚本开头cd /d %~dp0锁死工作目录这也是上一章那个批处理里做的事。第三输出路径必须指向一个已存在的目录。多数这类工具不会自动创建多级目录--output D:\out\2024\06里如果2024\06不存在直接报错。要么先mkdir要么输出到单一目录靠文件名区分。还有一个实际会遇到的问题同名覆盖。批量转的时候两个不同目录下的报告.pdf输出到同一个output目录后一个会把前一个顶掉而且没有任何提示。我一般按源文件名加哈希或者时间戳重命名批处理里用%~n1_%random%.docx之类的简单方式也能应急。4.2 转换参数取舍页面范围、图片压缩与表格具体参数名以你手上这个包的--help输出为准不同时间打包的版本会有出入。下面这张表是我这个版本里实际存在的几项以及调它们会带来什么变化参数作用默认什么时候改--input指定输入 PDF 路径无必填支持单个文件--output指定输出目录或文件当前目录批量时指向统一目录--start / --end只转指定页码范围全部几百页的文档先转前 10 页试效果--password打开加密 PDF无有密码的 PDF 必须先给密码--no-image跳过图片只保留文字关闭纯文字文档想减小体积时用几个取舍经验。页面范围这个参数看着不起眼实际是最省时间的一个 500 页的标书先--start 1 --end 10转十页看看表格和页眉页脚还原得怎么样满意了再全量跑比闷头等二十分钟强得多。加密 PDF 不给密码的话报错信息通常很含糊「文件无法打开」容易误判成文件损坏先确认一下 PDF 打开时要不要密码。更重要的一件事先判断你的 PDF 是文本型还是扫描件。这个判断决定了后面所有参数的意义。文本型 PDF 里的文字是可提取的字符转出来的 doc 能编辑扫描件本质上是一堆图片转出来的 doc 里只有图片看着「转换成功」实际一个字都改不了。用一段 Python 几秒钟就能判断import fitz # PyMuPDFpip install pymupdf doc fitz.open(rD:\samples\test.pdf) text .join(page.get_text() for page in doc) print(f页数: {doc.page_count}, 可提取字符数: {len(text)}) if len(text) / max(doc.page_count, 1) 50: print(疑似扫描件转出的 doc 里会是图片需要 OCR 才能编辑)这段代码遍历每一页调get_text()把可提取的文字拼起来统计长度。判断阈值用「平均每页少于 50 个字符」是个经验值——正常文本型 PDF 每页几百到上千字符扫描件接近 0偶尔有几页带页眉文字的会在几十的量级。这个判断很重要因为这套 pdf2doc.exe 不含 OCR 引擎遇到扫描件不要反复重试换参数那是白费功夫得换工具。4.3 换条路走自己搭 Python 环境跑源码并打包 exe如果你需要改转换逻辑、加批量重命名、或者想把工具塞进自己的流水线那就别用现成的 exe自己搭一套。这套环境不复杂Python 3.9 到 3.11 之间挑一个都行太新的版本有时第三方库轮子还没跟上。# 建一个独立虚拟环境别污染系统 Python py -3.11 -m venv venv venv\Scripts\activate # 升级 pip 再装依赖顺序别反 python -m pip install --upgrade pip pip install pdf2docx pyinstaller # 先用解释器直接跑确认逻辑没问题 python pdf2doc.py --input D:\samples\test.pdf --output D:\outpy -3.11 -m venv venv里的-3.11是版本选择器机器上装了多个 Python 时靠它指定venv\Scripts\activate是 Windows 下的激活脚本路径Linux 下是venv/bin/activate别搞混。依赖装两个就够转换库负责解析 PDF 和生成 docx打包工具负责封成 exe。跑通之后打包# 先用控制台模式打包方便看报错 pyinstaller -D -c -n pdf2doc pdf2doc.py # 确认没问题后再换成无控制台的单文件模式 pyinstaller -F -w -n pdf2doc pdf2doc.py四个参数的差别值得说清楚因为这直接对应了本文开头那个「双击闪退」的坑。-D是目录模式输出的dist\pdf2doc\里有一堆文件启动快-F是单文件模式所有东西封进一个 exe启动时要先解压到临时目录首次启动明显慢文件越大越明显。-c保留控制台窗口报错能看见-w去掉控制台界面干净但出问题时两眼一抹黑。我的一般做法是调试阶段用-D -c稳定之后再出-F -w给不碰命令行的人用。如果你拿到的现成包是-w打包的遇到闪退就按第 3 章的办法从命令行启动把报错捞出来。注意PyInstaller 打包出来的 exe在某些杀软眼里特征很像恶意程序这是打包机制决定的不是包本身有问题。处理办法见下一章。5. 常见问题排查闪退、缺 DLL、被杀软拦、转出来是空白这一章是我自己踩过的、以及帮别人远程处理时遇到频率最高的五类问题。每一条都按「现象、原因、解决」写照着对号入座就行。5.1 双击一闪而过看不到任何报错现象双击 pdf2doc.exe鼠标转一圈什么都没发生任务管理器里进程出现又消失。原因三种可能。一是打包时用了-w无控制台模式Python 抛出的异常没有输出目标直接吞掉二是程序启动时工作目录不对找不到同目录的依赖文件三是参数缺失程序要求必须给输入文件双击时没有任何参数它解析失败就退出了。解决从命令行启动把报错捞出来。cd /d D:\tools\pdf2doc pdf2doc.exe --help如果--help能出结果说明程序本身没问题双击失败是因为没给参数——那就用第 3 章的拖拽批处理或者建个快捷方式在「目标」里补上参数。如果--help也闪退把命令换成pdf2doc.exe --help log.txt 21日志会写进 log.txt里面通常能看到缺哪个 DLL 或者哪行代码出错。5.2 提示缺少 vcruntime140.dll 或 api-ms-win-crt现象弹窗报「计算机中丢失 vcruntime140.dll」或「api-ms-win-crt-runtime-l1-1-0.dll」程序无法启动。原因系统没装 Visual C 运行库或者装的是 32 位版本而程序是 64 位的。这个错误跟 pdf2doc.exe 本身一点关系没有换任何 Python 打包的工具都会报。解决装微软官方的 Visual C 2015-2022 Redistributable 的 x64 版本装完重启。别去第三方站点单独下那个 dll 文件丢进 System32版本错配会导致其他程序连环崩而且卸载不干净。装完用第 2 章那三条dir命令复查一遍三个文件齐了再跑。5.3 杀软与 Windows Defender 把 exe 删了现象解压完还在过一会儿文件没了或者双击时提示「此应用已被阻止」日志里能看到被隔离的记录。原因PyInstaller 打包的单文件 exe运行时会把自身解压到临时目录并执行这个行为特征跟某些恶意程序高度相似启发式扫描容易误判。这不是你这个包特有的问题所有 Python 打包工具都有。解决把整个程序目录加进杀软的排除列表Windows Defender 的路径是「病毒和威胁防护 → 管理设置 → 排除项 → 添加排除项 → 文件夹」。加之前先确认包是从可信来源拿到的确认没问题再加。加完把被隔离的文件恢复回来或者重新解压一次。如果你自己打包用代码签名证书签一下能显著降低误报率个人用户就算了成本不划算。5.4 转出来的 doc 打不开、乱码或整页空白现象转换过程显示成功output 目录里也有文件但用 Word 打开提示「文件已损坏」或者打开后全是乱码方块或者干脆一片空白。原因按出现频率排——路径带中文导致编码错乱PDF 本身是扫描件所以只有图片不算故障PDF 有权限密码但没提供转换中途磁盘满了导致文件写了一半用 WPS 打开而文件实际是 docx 格式但后缀被改成了 doc。解决按顺序排查。先看文件大小0 字节或者明显偏小就是写入失败检查磁盘空间和输出目录权限。再看路径把输入输出都挪到纯英文路径下重试。然后用 4.2 节那段 Python 判断是不是扫描件。最后确认文件真实格式# 读文件头几个字节docx 本质是 zip开头是 PK Format-Hex -Path D:\out\test.docx -Count 4输出里如果看到50 4B也就是 ASCII 的PK说明这是标准的 docx用 Word 打开没问题WPS 报错就升级 WPS 版本。如果开头是D0 CF 11 E0那是老的 doc 二进制格式说明工具输出的是 doc 而非 docx同样用 Word 能开。5.5 大文件卡死、进度条不动的处理顺序现象转一个几百页的 PDF卡在某一页十几分钟不动CPU 占用很低内存占用一路涨。原因这类工具是逐页解析再重建文档结构的页数一多内存占用是线性增长的PDF 里如果有特别复杂的矢量图或者嵌套表格单页解析耗时会突然拉长还有一种情况是 PDF 本身有损坏解析器在某一页死循环重试。解决先用页面范围分段处理这是最有效的手段。REM 分三段转每段 200 页中间失败不影响已完成的部分 pdf2doc.exe --input D:\samples\big.pdf --output D:\out --start 1 --end 200 pdf2doc.exe --input D:\samples\big.pdf --output D:\out --start 201 --end 400 pdf2doc.exe --input D:\samples\big.pdf --output D:\out --start 401 --end 600分段之后还要合并用 Word 的「插入 → 对象 → 文件中的文字」按顺序合并就行比装额外的合并工具省事。如果分段后还是卡在固定某一页那就是那份 PDF 该页有问题用阅读器单独导出那一页重试或者直接跳过——为了两页内容耗一晚上不值得。另外转之前先把其他占内存的程序关掉这类工具在 8G 内存的机器上转 500 页以上确实吃力。6. 装完怎么验证三份样本文件跑通才算收工装完不等于能用。我见过太多「装好了」的机器实际转出来一塌糊涂等到真正要用的时候才发现。验证这一步花十分钟比后面返工强。准备三份样本覆盖三种典型场景样本特征验证重点合格标准纯文字 PDF单栏、无图、10 页以内段落是否合并、换行是否正确打开后能直接编辑文字段落完整带表格 PDF有合并单元格、跨页表格表格结构还原度表格是真正的表格不是图片扫描件 PDF整页图片、无文字层确认工具能力边界输出含图片不误判为故障三份都跑一遍命令统一用cd /d D:\tools\pdf2doc pdf2doc.exe --input D:\tools\pdf2doc\samples\text.pdf --output D:\out pdf2doc.exe --input D:\tools\pdf2doc\samples\table.pdf --output D:\out pdf2doc.exe --input D:\tools\pdf2doc\samples\scan.pdf --output D:\out纯文字那份打开后重点看段落有没有被拆成一堆短行——这是 PDF 转 doc 最常见的毛病转换器把每个换行都当成段落分隔结果一段话变成七八段。如果遇到说明这版工具的段落合并策略偏保守可以试试带--no-image参数重跑一次对比。表格那份看的是结构。把光标点进表格里如果 Word 顶部出现「表格工具」的选项卡说明是真表格如果只是看起来像表格但点不进去那就是被渲染成了图片或者文本框这份文档后续没法编辑数据。扫描件那份目的不是要求它转出可编辑文字而是确认它能正常输出、不报错、不卡死。输出里是图片就对了这套包的能力边界到此为止需要 OCR 就换专门工具。最后再用一段脚本做机器校验比肉眼翻页靠谱from docx import Document # pip install python-docx doc Document(rD:\out\text.docx) print(f段落数: {len(doc.paragraphs)}) print(f表格数: {len(doc.tables)}) print(f图片数: {len(doc.inline_shapes)}) # 抽查前三个非空段落确认文字不是乱码 for p in [p.text for p in doc.paragraphs if p.text.strip()][:3]: print(首段:, p[:50])len(doc.paragraphs)给出段落总数跟原 PDF 的段落数量量级对得上就说明没把整篇拆碎len(doc.tables)是零就说明表格没还原成结构len(doc.inline_shapes)能反映图片有没有丢。最后那个列表推导过滤掉空段落取前三段打印如果出现大量问号或者方块就是编码环节出了问题回到第 5 章 5.4 节处理。从那以后我每次在新机器上装这类转换工具都会强制走一遍这三份样本的流程哪怕只是换了台电脑、系统版本一样。因为真正的坑从来不在工具本身而在那台机器的运行库版本、路径设置和杀软策略上这些你不跑一遍是看不出来的。这份自己整理的 pdf2doc 包解压就能用但前提是环境对了——希望帮到你。本文还有配套的精品资源点击获取
