PDF转Word再也不求人

上周同事发来一份80页的PDF合同，让我改几处数字再发回去。

打开在线转换网站，上传，等待，下载，打开——格式全乱了。表格变成了一堆散字，页眉页脚消失，中文字体替换成了方块。重新来一遍，换个网站，结果提示"免费版每天限转3页"。

花了40分钟，什么都没干成。

如果你也遇到过这种情况，下面这个工具值得收藏。

01它叫 Marker，GitHub 上悄悄涨到了 2 万星

Marker 是一个开源的文档转换工具，核心能力是把 PDF、图片、Office 文档转换成结构完整的 Markdown 或 Word 文件。

它不是在线服务，代码跑在你自己的电脑上，文件不经过任何服务器。

项目地址：https://github.com/VikParuchuri/marker

转换一份 PDF，只需要一行命令：

marker_single 合同文件.pdf 输出目录/ --output_format docx

输出的是标准 .docx 文件，直接用 Word 或 WPS 打开，表格、标题层级、段落缩进基本都在。

大多数在线 PDF 转换工具，本质上是在做"图片识别"——把 PDF 每页截图，然后 OCR 识别文字，再重新排版。这个流程天然会丢失结构信息。

Marker 的路子不一样。

它使用了基于深度学习的版面分析模型，先识别页面里哪块是标题、哪块是正文、哪块是表格、哪块是页眉，再分别处理，最后按逻辑结构重新组装。

它处理的不是"图片里的字"，而是"文档里的结构"。

这个差异在处理复杂文档时非常明显。一份带有多级标题和嵌套表格的技术报告，用在线工具转出来基本是废的，用 Marker 转出来，标题层级和表格都能对上。

环境要求：Python 3.10 及以上版本。

第一步，安装：

pip install marker-pdf

第二步，转换：

marker_single 你的文件.pdf 输出目录/

默认输出 Markdown 格式。如果需要 Word 文件，加上参数：

marker_single 你的文件.pdf 输出目录/ --output_format docx

如果有一批 PDF 需要批量处理，用 marker 命令替换 marker_single：

marker PDF文件夹/ 输出目录/ --workers 4

--workers 4 表示同时处理 4 个文件，有 GPU 的机器可以调高这个数字，速度会快很多。

这是很多人没想到的地方。

普通 PDF 里的文字是可以直接提取的，但扫描版 PDF 本质上是一张图片，文字需要 OCR 才能识别。

Marker 内置了 OCR 支持，处理扫描版文档时会自动调用，不需要额外配置。

marker_single 扫描版合同.pdf 输出目录/ --output_format docx

命令完全一样，它自己判断要不要走 OCR 流程。

对比一下市面上常见的方案：Adobe Acrobat 的 OCR 转换功能准确率不错，但订阅费用每年要几百块；Smallpdf、ILovePDF 这类在线工具免费版有页数和次数限制，而且文件要上传到对方服务器。

Marker 本地运行，无限制，文件不离开你的电脑。

这是很多人最关心的问题。

实测结论：中文正文段落识别准确率很高，常见宋体、黑体、微软雅黑都没有问题。表格内的中文同样能正确识别。

需要注意的是，如果 PDF 里嵌入了特殊字体或者使用了非标准编码，偶尔会出现个别字符识别错误的情况。这不是 Marker 独有的问题，所有 OCR 工具都有这个边界。

转换完成后建议快速过一遍关键段落，确认没有明显错字，这个习惯在用任何转换工具时都值得保留。

很多人用 PDF 转 Word，真正的目的是拿到里面的表格数据，然后粘贴到 Excel 里做进一步处理。

Marker 转出来的 Markdown 文件里，表格是标准的 Markdown 表格语法，可以直接复制到任何支持 Markdown 的工具里，或者用脚本批量解析成 CSV。

marker_single 财务报告.pdf 输出目录/ --output_format markdown

输出的 .md 文件用文本编辑器打开，找到表格部分，格式非常干净，比从 Word 里复制表格再清理格式要省事得多。

如果你电脑上装了 Python，现在打开终端，三分钟之内就能跑起来。

pip install marker-pdf
marker_single 任意一个PDF文件.pdf ./输出/

第一次运行会下载模型文件，大约 1-2GB，之后就不需要联网了。

遇到问题可以去项目的 GitHub Issues 页面搜一下，大部分常见报错都有人解决过，文档也比较完整。

把这篇文章发给还在用在线转换工具的同事，能帮他们省不少时间。