Scanned Pdf To Word

---
name: scanned-pdf-to-word
description: 把扫描件 PDF（公文、表格、通知书）还原为字体字号一致、可编辑可填写的 Word。铁律顺序：①先要原件（有原件则零误差，一切推断作废）②先问发布机关取先验（只缩范围）③像素级字形匹配实测确认（绝不靠目视或套公文规范猜字体）④按扫描 dpi 分级承诺可信度 ⑤交付时标注每个参数的来源与误差范围。当用户说"把 PDF 改成 Word""字体字号保留""扫描件转可编辑"时使用。
license: MIT
metadata:
  slug: scanned-pdf-to-word
  displayName: 扫描件复原转 Word
  version: 1.4.1
  author: 陆凌燕
  agent_created: true
  summary: 把扫描件 PDF（公文、表格、通知书）还原为字体字号一致、可编辑可填写的 Word。铁律顺序：①先要原件（有原件则零误差，一切推断作废）②先问发布机关取先验（只缩范围）③像素级字形匹配实测确认（绝不靠目视或套公文规范猜字体）④按扫描 dpi 分级承诺可信度 ⑤交付时标注每个参数的来源与误差范围。当用户说"把 PDF 改成 Word""字体字号保留""扫描件转可编辑"时使用。
---

# 扫描件复原转 Word

**目的**：把"只有图像的扫描件"变成"**可编辑、可填写、且与原件等效**的文档"。

**本质困难**：反推是**欠定推断**——扫描件是文档的有损投影，往回推**一定有错，而且错误在成品上看不出来**。
（实证：验收数据"均差 0.15pt / IoU 0.994"，实际 21 项里错 17 项，见 `references/像素反推误差档案.md`。）

**所以本技能要交付的是"一份带可信度标注的文档"，不是"一份看起来像的文档"。**
"像"是手段，"能改能填、不被退回"才是目的。

---

## 一、执行卡

### 进门三问（不答不动手）

| 问 | 为什么 |
|---|---|
| 要「**能填能改的附件本身**」，还是「整页视觉复刻」？ | 两者验收标准不同，混了必错（**默认前者**） |
| 这份文件的 **Word 原件**能拿到吗？ | 拿到就用原件，**本技能全部推断作废** |
| 扫描件**多少 dpi**？ | 决定**能承诺到什么程度**——承诺之前先分级 |

**「先定交付目标」的差别**（默认按左列做）：

| | ① 还原文档（默认） | ② 复刻页面画像（用户明说才做） |
|---|---|---|
| 页眉页脚 | 只保留属于该文档的；**发文通知的版记/页码一律不要** | 照页面所见全部保留 |
| 页边距 | 照原件声明值 | 照页面实测值 |

⚠️ **动手前先分清：这一页上有几个文档。** 从公文里抽出的一页，页脚的**版记**（抄送/印发）与
**页码**属于**发文通知**，不属于附件本身。判别法：**原件 Word 里有没有 footer/header 文件**、
附件标识是否另起一行顶格。我曾把版记 + 3 条版记线 + 页码一起复刻进附件，多出 5 个元素。

### 输入质量分级（先分级，再承诺）

| 分辨率 | 能承诺 | **不能**承诺 |
|---|---|---|
| ≥300dpi、字体齐全 | 保真复刻：几何 ≤0.5%、字号 ±0.2pt、字体到"款" | — |
| 200~300dpi | 版式复刻 + **字体只到"族"**（宋/黑/楷） | 具体字体款名 |
| 150~200dpi | 内容＋版式近似 | 任何"复刻"措辞 |
| <150dpi | 只能给内容（OCR 级） | 保真 |

### 五条不许破的线

1. **先要原件**——有原件则一切推断作废
2. **先验只缩范围，不下结论**
3. **每一处与原件的不同，都要能回答"原件是不是本来就这样"**——答不出就是我自己加的
4. **工具不能倒逼内容**——手段不好用就换手段，别改被验收的文档
5. **交付时按来源分层声明**（原件 / 实证 / 反推），不把推断说成事实

### 误差预算（力气按容差分，不按"哪里容易测"）

**结构性属性容差为 0**（错了没法用别的参数补）；**度量性属性有容差**。

| 参数 | 容差 | 超了会怎样 |
|---|---|---|
| 元素归属（哪些属于本文件） | **0** | 交付物性质变了（多/少整个元素） |
| `docGrid` / 行距 | **0** | 整块位移，无法用间距补回（实测 36.5pt） |
| 段落数 / 空段 | **0** | 版面整体位移 |
| 全/半角、数字形态 | **0** | 字形与字宽都不同，换行随之变 |
| 字号 | ±0.2pt | 换行漂 1 字；填空线断点错位 |
| 表格列宽 | ±0.5pt/列 | 单元格内**折行数变化**（直接影响可用性） |
| 页边距 / 版心 | ±0.5pt | 整块水平位移 |
| 表格总宽 | ±1pt | 与文本列的溢出量变化（观感） |
| 下划线纵向位置 | ±1.5pt | 观感 |
| 边框粗细 | 0.5~0.75pt 皆可 | 观感（黑白打印更明显） |

⚠️ **三个数字别混用**：**±0.2pt** = 版面敏感阈值（判断值不值得死磕）；**≤0.5pt** = 取整档闸门；
**±0.5pt** = 对外声明的不确定度。

### 能力清单（未实测的不许说成"支持"）

| 场景 | 状态 |
|---|---|
| 段落式填空表单（无框线） | ✅ 已实测 |
| 带框线表格、**无合并单元格** | ✅ 已实测 |
| 带框线表格含**合并单元格** | ⚠️ 方法可行（"缺线"反推 `gridSpan`/`vMerge`），**未实测** |
| 无框线、靠空白对齐的表 | ⚠️ 未做，易多列/少列 |
| 跨页表（表头行重复） | ⚠️ 未做，需 `w:tblHeader` |
| 印章／手写 | ❌ 不复刻；留白或标「（此处盖章）」「（签名）」 |
| 已有文本层的 PDF | ❌ 不适用（走文本抽取） |

### 拿不到原件时：可证伪五件套（至少做前四条）

1. **内部一致性**：列宽合计 = 表格宽 = 版心（或已知溢出量）；行高合计 + 上下留白 = 页高
2. **多分辨率交叉**：同一元素在 200/300/600dpi 各测一次，结果应**收敛**
3. **≥3 个独立样本**：字体与字号由 3 处不同位置交叉得出，彼此差异 <0.1pt
4. **误差声明**：写明**这是反推件**，并给范围（几何 ≤0.5% / 字号 ±0.5pt / 字体族级确定、款级存疑）
5. **可用性抽检**：填入示例数据看折行与串行（见第 5 步）

---

## 二、流程

### 第 0 步　先要原件（最高优先）

问一句：**"这份文件是哪个部门发的？他们那边有没有 Word 原版？能拿到我就不用从扫描件反推了，改出来零误差。"**

拿到原件后只剩一件事：**核对原件与手上的扫描件是否同版**（机关可能事后改过）。判据：

| 判据 | 同版特征 |
|---|---|
| 横向 | 表格线**总跨距比值**≈1（允许 0.5% 打印/扫描缩差） |
| 纵向 | 行高总和比值≈1（纵向通常不被缩放） |
| 平移 | 只允许**整体**位移；**个别元素错位就要怀疑不同版** |

不同版时以**扫描件为准**（用户手上那份才是他要的结果），原件值当**强候选**逐一确认，并把差异写进交付说明。

### 第 0.1 步　判断是不是扫描件 + 有没有整页缩放

```python
import fitz
pg = fitz.open(path)[0]
print(len(pg.get_text()), pg.get_images(full=True))   # 文本 0 + 有图 = 扫描件
```

再算 `图片像素宽 ÷ 页面宽(pt) × 72`：**等于 300 说明 1:1 扫描**，测得尺寸即原件真实尺寸；
**不是整数说明被缩放过**，此时只能复刻比例、不能照搬绝对值。

### 第 0.5 步　问发布机关 → 查先验（只缩范围）

问："这份文件是哪个机关发布的？知道机关我就能先把候选字体缩小，测出来和惯例冲突时也能立刻警觉。
不知道就说'不清楚'，我按纯实测走。"

然后查 `references/发文机关先验.md`（含来源分级：【原件】/【实证】/【反推】/【待验】）。

⚠️ **读条文找「限定词」**（这条能救你）：带"**一般** / 推荐 / 如无特殊说明"的是**可调整项，必须实测**；
带"**应当** / 必须 / 用…字"（无限定词）的才是**硬规定**，可直接照用。
例：GB/T 9704 附件标识「**用**3号黑体字」是硬的（实测吻合）；正文「**一般用**3号仿宋」是软的
（实测为楷体，**不违反**国标——同条明文允许"特定情况作适当调整"）。
**别拿"公文正文＝仿宋三号"去套表单**——国标管"公文版式"，不管"表单内容"。
**先验只用来缩范围**：用 `identify_font.py --filter` 跑完，**必须再跑一次全量对照**——
全量第一名若落在候选集之外，说明先验失准，**信实测**，并把这次实测回填进先验表。

> 先验按机关存，但**同一机关内部不同元素字体也会不同**，每个元素都要单独实测。

### 第 1 步　字体 + 字号双定标（`scripts/identify_font.py`）——不可跳过

**字体靠目视＝赌博，用掩膜 IoU 网格搜索给数据。**

```bash
python3 scripts/identify_font.py --pdf scan.pdf --probe                    # ① 探行带坐标
python3 scripts/identify_font.py --pdf scan.pdf --text "授权委托事项：" --rect 76 466 173 484
python3 scripts/identify_font.py --pdf scan.pdf --text "…" --rect … --filter 楷体   # ③ 先验候选集
```

- **判定规则**：第一名字形分 ≥ 次名 **1.15 倍**（差 ≥0.15）可下结论；<1.08 倍必须换行交叉验证。
  同设计变体（简体/繁体/_GBK）脚本已归并，别被"次名是自己"骗了。
- **两侧必须同等膨胀**（默认 `--dilate 1`）：只膨胀原件会**系统性偏袒粗笔字体**。
- **短串要连全/半角一起判**：把 `附件１`（全角）与 `附件1`（半角）各跑一次比分数。
  ⚠️ **全/半角必须每案单独判**，不要沿用上一个案子。
- **字号三口径互校**：墨迹宽法（脚本自带）／**列投影字宽法**（`(末-首)/(n-1)`）／反证法（换字号渲染比几何）。
  ⚠️ 列投影在短串（≤4 字）上不可信，**必须用 ≥10 字**的串。
  ⚠️ 反证法用**逐行墨迹投影相关**，别用"墨迹带条数"（下划线与文字并带，条数天然不等）。
- **小字号 + 长串 IoU 会失效**（200dpi、12pt：各候选 IoU 都 0.30~0.37）。两条兜底：
  ① 降到**族级**结论（写"宋体/黑体/楷体"）；
  ② 改用**墨迹密度**（墨迹像素 ÷ 墨迹包围盒面积，**同口径**）——
  楷体≈15~17 / 书宋≈17~20 / 黑体≈27~28 / 宋体≈30~34（数据见 `references/像素反推误差档案.md`）。
  三条限制：**只能排除不能定案**（样本量 2、与字重强相关）；看**量级与排序**别抠绝对值；
  **候选必须用本机真实字体**，先 `fc-match <字体名>` 查映射（本机 macOS：`黑体`→Noto Sans SC、
  `宋体`→Songti SC，**不是** SimHei/SimSun，密度**不可跨机照抄**）。
- **字号优先取整档**（22/16/14/12/11pt）。要动**字符缩放** `w:w` 必须**三条闸门全过**：
  ① 实测与整档差 ≤0.5pt 就直接写整档；② 该值由 **≥3 个独立样本**交叉得出、彼此差 <0.1pt；
  ③ 有原件时一律照抄声明值。写法见 `references/构建规范.md`。
  > 反例：原件标题本是**干净的整档值**，我测出小数后写「下调 0.5pt + 缩放 102%」去凑——**把测量噪声写进了文档**。
  > （具体数值见 `references/发文机关先验.md` 案例 #2）

### 第 2 步　量几何（页面 / 表格）

- **页面**：页宽高、四边边距、页脚距离、**`w:docGrid`**（照抄）、版心宽。
- **表格网格**：先用 `cv2.HoughLinesP` 测倾角（歪的先转正），再形态学开运算分离长横线／长竖线，
  横线数−1 = 行数、竖线数−1 = 列数，线中心距即列宽／行高。
  所有竖线纵贯全表 ⇒ 无纵向合并；某行横线缺段 ⇒ 该处有 `gridSpan`。
  表内文字先 `cv2.subtract(bw, bitwise_or(横线, 竖线))` 去线再取范围。
- **短串（页码级）**再加"分段拟合"：比分段模式（段宽+段间距），只比总宽会选错。

### 第 3 步　构建

```bash
# 表格式：参数驱动，脚本不猜任何值
python3 scripts/build_table_docx.py spec.json -o out.docx

# 段落式：脚本内含案例 #1 的参数（改成你自己的实测值）
python3 scripts/build_form_docx.py
```

- spec 结构见 `references/table-spec-模板.json`；经原件核对的样例见 `references/table-spec-律协附件3.json`。
  **spec 必填 `_sources`**（每个参数的来源等级）。
- **构建要点清单**（细节与原理见 `references/构建规范.md`）：
  `w:rFonts` 三属性齐设（`ascii`/`hAnsi`/`eastAsia`）；**ASCII 字体必须是 Times New Roman**（决定 `_` 下沉）；
  关 `autoSpaceDE/DN`；行距用 `lineRule="exact"`；长填空线手动 `<w:br/>` 断行并**每行留 8pt 余量**；
  **`w:docGrid` 照抄原件**（或全段显式行距，**绝不能删网格还留几段没有行距**）；
  **`w:tblPr` 子元素顺序是强制的**（乱序会被静默忽略）；单元格边距用原件值（别乱压 `tblCellMar`）；
  **表格可以比文本列宽**（`jc=center` 居中溢出，别改页边距迁就）；边框 `w:sz` 单位 **1/8pt**。
- ⚠️ **已知不对称**：`spec + _sources + 原件核对样本` 这套机制**目前只有表格分支有**；
  段落式只有 `build_form_docx.py`（参数写死在脚本里）。下次做段落式案件、且拿到原件时，顺手把参数导成 spec。

### 第 4 步　校对（渲染器**优先 Microsoft Word**）

```bash
python3 ~/.workbuddy/skills/word-to-pdf-macos/scripts/batch_word_to_pdf.py <out.docx>
```

- **LibreOffice 的纵向位置与折行数在两种情况下不可信**：① 文档带 `w:docGrid`；② 目标字体被回退。
  文档无网格且字体齐全时 LO 也可信。根因与实测见 `references/校对与验证.md`。
  我曾被 LO 的**假失配**骗着改了不该改的地方（压单元格边距、把表格改左对齐）——**验收工具选错比不验收更危险**。
- **Word 不可用时**（TCC 权限被拒等）：换「同引擎独立实现对照」验构建保真度；**绝对禁止**据 LO 渲染改文档。
- **同引擎独立实现对照**（验"构建保真度"，不依赖 Word）：把原件参数导出成 spec → 跑构建器 →
  两份**用同一引擎**渲染，引擎偏差相互抵消。本案 8 横线 + 9 竖线逐条 Δ=0.00pt ⇒ 构建环节零缺陷。
- **验收线与基准定义**见 `references/校对与验证.md`（有原件 / 无原件两套基准，别混）。
- ⚠️ 从扫描件反推的绝对尺寸带 **~0.5% 系统性偏差**，列宽会整体略窄于原件；**别声称"0.1pt 级吻合"**。

### 第 5 步　交付前自检（脚本化，不通过不交付）

```bash
python3 scripts/audit_docx.py out.docx                   # 参数全表 + 计数 + 一致性
python3 scripts/audit_docx.py out.docx --spec spec.json  # 再与 spec 逐项比对（理想：零差异）
```

1. **数量校验（双向条目比对）**——脚本列出段落数/表格行列数/下划线字符数/页眉脚元素/页面元素清单；
   **与"原件有什么"的集合必须一一对上**，多出的要能说出理由。**别用眼睛数表格行。**
2. **逐段核对** `w:eastAsia`/`w:ascii`/`w:sz`/`w:w`/行距/缩进/`w:docGrid`/表格列宽行高 —— 读脚本打印的表。
3. 每一**视觉行**宽度 ≤ 可用宽度（CJK 1em、`_` 0.5em 累加，含缩放）。
4. 原文关键句 substring 全在（比对前先去掉 `<w:br/>` 渲染出的 `\n`）。
5. 无占位符/模板残留（`[\(\)\[\]\{\}]|\{\{|XX|待填|TODO|示例`）。
6. **元素归属复核**：逐个页眉/页脚/线框元素反问"它属于这份文档，还是属于页面上的**其他文档**？"
7. **无"未经质询的改动"清单**：把与原件的每一处不同列出来，逐条回答"原件是不是本来就这样？"——答不出就回退。
8. **可用性抽检**（"像"之外的验收）：**填一遍**——数据格填示例、填空线打字，看
   ① 折行位置是否变化 ② 是否串行/行高跳变 ③ 是否仍可编辑。**精度是手段，"填得进去"才是目的。**
9. **可信度分层声明落笔**（见下）。

---

## 三、交付说明要写什么

- **有没有拿到原件**：拿到了就说"与原件逐项一致"；没拿到必须写明**这是反推件**并给误差范围。
- **参数来源分层**：哪些来自原件、哪些实测、哪些推断（对应 spec 的 `_sources`）。
- **发布机关与惯例**，以及本次实测是否与惯例一致（不一致要点名）。
- 用到的字体名（含 ASCII 字体），方便换机核对。字号若用了字符缩放要说明为什么。
- **哪些元素是我判定"属于/不属于"本文件的**，以及依据（附件标识留、版记页码去）。
- **残留差异**要点名（哪些没复刻、为什么）。

---

## 四、遇到问题去哪查

| 文件 | 管什么 |
|---|---|
| `references/发文机关先验.md` | 机关 → 字体/字号（含来源分级与回填模板）；两个案例的逐元素值 |
| `references/构建规范.md` | OOXML 细节：rFonts／行距／`docGrid`／字符缩放／下划线字体度量／表格属性与顺序 |
| `references/校对与验证.md` | 渲染器选择与根因／同引擎对照／验收线／阈值调参／三个工具的分工 |
| `references/像素反推误差档案.md` | 「我错在哪」的完整清单、三类归因、反证实验、墨迹密度判别器数据 |
| `references/坑速查.md` | 症状 → 根因 → 解法（通用坑 + 表格专有坑） |
| `references/table-spec-*.json` | spec 模板 + 唯一经原件核对的样例 |

**改完技能本体，跑 `python3 scripts/self_check.py`**（frontmatter／引用完整性／
摘要表与先验表同值／编号不重复／计数口径／脚本冒烟／关键规则在位），不通过不发布。

---

> 法律科技实务工具 · 维护者陆凌燕律师（北京德恒·无锡）· 关注公众号「鹿鸣于野 UMU」获取更多内容