使用Adobe Acrobat将PDF转Word/Excel时部分数据缺失如何解决

问题描述 #

我正在使用Adobe Acrobat将PDF文件转换为Word/Excel格式，希望快速将PDF中的数据迁移为Excel格式。由于存在字体错误，直接复制粘贴无法生效，因此我尝试使用Adobe Acrobat专业版进行转换，但如图所示，转换后有部分数据丢失。
经排查，转换后保留的数据使用字体为T T 4 B 9t00或T T 4 BAt 00，丢失的数据使用字体为T T 4 B 8t00。我猜测如果将T T 4 B 8t00替换为T T 4 B 9t00可能可以解决问题，但Adobe Acrobat本身也没有上述字体。我还尝试使用FontForge提取对应字体，也未能成功。
请问有什么可行的解决方案？我的核心需求是获取PDF中的表格格式数据，目前仅能成功转换部分内容。

解决方案 #

• 优先尝试绕开字体依赖直接提取表格

  不用纠结字体替换的问题，直接用不依赖原PDF嵌入字体的方案提取数据即可：
  1. 用Office自带的PDF导入功能：Office 365及2021版本的Excel自带「数据>获取数据>来自文件>从PDF」功能，导入时选择忽略嵌入字体，直接解析表格结构，适配大部分常规PDF的表格提取需求，不会受Acrobat的转换逻辑限制。
  2. 先做全页OCR再导出：打开Adobe Acrobat的「工具>扫描和OCR>识别文本>在本文件中」，识别时选择通用中文字体（如宋体、微软雅黑）作为输出字体，完成OCR后再导出为Excel，此时内容已经是识别后的通用编码文本，不会因为自定义字体丢失内容。

• 先修改PDF字体映射再转换

  如果一定要用Acrobat的转换能力，可以先修改原PDF的字体映射：
  1. 用福昕PDF编辑器打开原PDF，进入「文件>文档属性>字体」，找到T T 4 B 8t00字体，选择替换为系统已安装的中文字体，保存后再用Acrobat转换即可。
  2. 如果你会简单脚本，可以用PyPDF2批量修改PDF的字体映射规则，把T T 4 B 8t00的指向直接替换为T T 4 B 9t00或者系统字体，不需要提取原字体文件即可完成修改。

• 兜底方案

  如果以上方案都失效，可以把PDF每页导出为300DPI以上的高清图片，用表格识别工具直接从图片中提取结构化表格内容，完全不依赖原PDF的字体和编码信息，只要内容清晰就可以保证提取准确率。

内容的提问来源于stack exchange，提问作者Neo