PDF 转 Word 的难点，一句话说清：PDF 是一张「画出来的纸」，Word 是一份「有结构的文档」。前者只有坐标、字形、线条，后者有段落、表格、标题、脚注。把前者变成后者，任何靠谱的工具都在跑同一条流水线。这条流水线真不简单——这也是为什么市面上大部分「PDF 转 Word」都要收费。这篇按模块拆开讲，每个模块说清它要解决什么、以及桐鸾译馆在每个模块里具体怎么做。
整体架构：一条七段式流水线
先给一个文字版的总览，后面逐个展开：
提取 → 布局检测 → 块分类 → 段级重建 → 表格/公式识别 → 阅读顺序 → 结构回填（Word）
前两步解决「页面上有哪些东西、各自在哪」，中间三步解决「每个东西内部怎么组织」，最后两步解决「拼回正确的顺序、并落成 Word 的结构」。
模块一：文本层分流——有文字层走提取，没有走 OCR
进流水线前先判断 PDF 里有没有文字层。
有文字层：字符是以字形（glyph id）存的，不是 Unicode 码点，要靠字体里的 /ToUnicode CMap、/Encoding、/Differences 映射回文字。这张表缺失或写错，就是乱码、缺字。
没有文字层（扫描件）：本质是图片，只能走 OCR，识别完再把结果按版面回填。
桐鸾译馆的做法：两种入口分流处理。文字层的提取里，连字（fi/fl/ffi）拆回多个字符；空格按字号和字距参数重建而不是见间隙就插；上下标按基线偏移归位，不把引用上标 [1] 拆出去。中英混排按 script 拆成独立 run、各绑各的字体（中文走中文字体、西文走 Times New Roman 一类），避免一个 span 里字体打架导致行高异常。扫描件走完整 OCR 链路并做 GPU 并行，识别结果按版面回填成 Word，而不是输出一段纯文本。
模块二：布局检测与块分类
把一整页切成块，并给每块打上标签：标题 / 正文 / 表格 / 公式 / 图 / 页眉页脚。
双栏 vs 单栏：学术文献大量双栏。双栏误判成单栏，左右两栏会一行隔一行交叉拼成一坨；反过来，标题页「上面标题、下面摘要」的混合版式又容易被误判成双栏。
页眉页脚：每页重复的页码、刊名、卷期号，要识别并剥离，不能混进正文。
浮动图层：文本框、插图是独立绘制层，定位要按锚定方式还原，否则整体偏移。
桐鸾译馆的做法：用投影剖面（XY-cut）做版面切分。双栏判据同时看中线空白、栏宽、以及行宽和栏宽的占比，并对「全宽左行 + 中线短标题」单独兜底——既不会把标题页误判成双栏，也不会把双栏页里的短标题折成单栏居中串页。页眉页脚按「内容重复 + 位置固定」剥离；浮动文本框锚定改为相对边距并减掉左边距，避免整体右移一个左边距。
模块三：文本块内的段级重建
块里是一堆带坐标的字符，要先按基线聚成行，再把行聚成段。字符属于同一行，不代表同一行都属于同一段。段的边界要看：首行缩进、悬挂缩进（参考文献常见）、段间距 vs 行间距、两端对齐（行尾 x 对齐 + 词间大间隙）、行尾标点、内容连续性。
做不好这一步的症状：一句话拆成十几段，或者几段并成一段、首行被并进上一段。
桐鸾译馆的做法：聚段不只看 y 坐标，而是把上一行行尾、下一行行首的缩进、基线、字号、行距、行尾标点、内容连续性放在一起综合判断；对行距比行高还小的紧排情况做重叠消歧，避免把紧挨的两行误判成同一行。行高用「基线 + 字号×自然行高」归一，而不是直接用 glyph 包围盒高度——中英文字体的 ascent/descent 差很大，直接按包围盒会虚高。
模块四：表格识别
有边框表格：检测横线竖线，还原网格，再合并单元格。
无边框表格：只有文字没有线，只能靠字与字的对齐关系 + 列投影去推断，这是最难的一类。
跨页续表：断到下一页的表，表头要在新页重复。
转置表：整表旋转 90° 的竖排表，坐标、行高、列宽全部要换轴重算。
桐鸾译馆的做法：有边框走线检测还原网格；无边框靠列投影 + 对齐关系推断。转置表换轴重算列宽——按相邻列左边缘差保留真实列间隙，并用原生分栏而不是嵌套表来兜，避免竖排表泄漏成横屏。跨页续表带表头重复，表注和表绑在一起不跑页。
模块五：公式识别
公式要转成 Word 原生公式（OMML），而不是截成图片或输出一堆乱码。这一步是判断一个工具是否真在还原结构的分水岭。
桐鸾译馆的做法：公式转 Word 原生 OMML；同时把脚注落到页脚、参考文献保留悬挂缩进和编号，标题按几何特征分类映射成 Word 的 Heading 1/2/3，并排除百分比、DOI、全大写这类误报；列表用 Word 原生编号，而不是手动敲的数字。
模块六：阅读顺序
PDF 只有绘制顺序（谁先画、谁盖谁），没有逻辑阅读顺序。多栏、脚注、浮动块都会打乱绘制顺序，所以「还原阅读顺序」不是简单按坐标排序，而是一个独立模块。
桐鸾译馆的做法：先按版面分区确定栏的边界，再在栏内按行、段的重建结果排出正确顺序，脚注、浮动文本框各归各位，不被塞进正文流里。
模块七：结构回填——落成真正的 Word
前面所有结果，最终要落成 Word 的结构：段落、标题样式、原生表格、原生公式、脚注、列表编号、分节。这一层决定输出是「看起来像」还是「能直接改」。
桐鸾译馆的做法：把标题、正文、表格、公式、脚注、参考文献、列表按 Word 原生结构回填，转出来在 Word 里继续编辑不费劲。
所以怎么挑 + 桐鸾译馆的答案
看完这条流水线，判断一个 PDF 转 Word 工具就三句话：双栏不串、表格不乱、公式脚注参考文献原位。做到这三点的，转出来的才不是「看起来像」，而是「能直接改」。
桐鸾译馆把上面这条七段流水线走全了：双栏期刊、无边框表格、转置表、脚注、参考文献编号、原生公式、列表编号、跨页表头、标题大纲都能稳住。它走的是几何/规则重建路线，不依赖大模型，结果可复现、本地也能跑。
翻译这条链路里同样做了保真细节：参考文献这种小字号紧排的段落做缩放补偿，防止译文变长溢出串栏；含中文的段落把两端对齐改回左对齐，避免中文被无空格地撑开成大间隙。所以它是「先转成结构化 Word、再在结构上翻」，双栏、表格、公式不容易被翻乱。
价格上它做了件反常识的事：
PDF 转 Word 免费，扫描件 OCR 转 Word 也免费；
只有翻译收费，0.15 元/页，按页付费；
不注册会员、不用充年费，用多少付多少。
回到标题那个问题：大部分「PDF 转 Word」不免费，是因为这条流水线真难；桐鸾译馆把最难的部分免费做掉了，只靠翻译按页收钱。翻译效果和按字数收费的正经工具相当，格式还原甚至更好一点。偶尔翻几页外文文献的人，这种按页付费比包月会员划算得多。
