在 PDF 上盖一个黑色矩形，看起来信息就被盖住了。但只要有人把那段文本选中复制出来，原文一字不差——这不是理论风险，而是反复出现的公开事故：对外发布的文件里，被「涂黑」的姓名、金额、身份证号被完整地复制了出来。
本文讲的四个 PDF 操作，各自都有一个容易被忽略的边界：对比要看的是文本还是版式、脱敏要的是遮盖还是删除、转换要的是内容还是结构。
一、PDF 对比：先确定比的是文字还是版式
「这两版合同哪里改了」听起来是一个需求，实际是两种：
- 对比文本内容：关心增删了哪些字句，适合合同、条款、文稿这类以文字为主的文档。
- 对比视觉呈现：关心排版、图片、签章位置的变化，适合画册、标书、证照这类版式即内容的文件。
两者的技术实现完全不同：文本对比可以逐字比对并标出差异；视觉对比要把两版渲染成图像再逐页比较像素差异。选错了就会得到「明明改了却说没变」的结果——比如只改了图片但文字对比毫无反应，或者只调整了行距但视觉对比报满页差异。
用PDF双栏对比选择对应的比对方式，两版并排呈现，差异位置直接标出，逐条核对即可。
还有两点要注意：扫描件本身没有文本层，纯文本对比会失效，需要先做 OCR；页数不一致时，要先确认是插入还是删除了页，否则后续页的差异会被整体错位掩盖。
二、脱敏：遮盖和删除是两件完全不同的事
这是全文最需要记住的一点。
| 做法 | 外观 | 底层数据 | 能否被还原 |
|---|---|---|---|
| 画黑色矩形/色块 | 看不到 | 文本仍在 | 能，选中即可复制 |
| 密文删除（redaction） | 看不到 | 文本与图像已被移除 | 不能 |
原因很简单：PDF 的绘制指令与文本层是分开的。在上面盖一个矩形，只是在最上层画了个图形，底下的字符对象原封不动。文本可以被选中、复制、搜索，也会出现在复制粘贴与文本提取的结果里。
真正的脱敏是密文删除，它会把指定区域内的文字与图像从页面内容流中永久移除，而不只是盖住。用PDF密文删除框选要处理的区域后执行，得到的才是可以安全对外发布的文件。
几个实操要点：
- 先标记后执行。 标记阶段只是框选区域，确认无误再执行删除——执行后无法撤销，顺序错了会毁掉原文。
- 注意残留内容。 删除页面上可见文字后，还要检查文档属性、批注、隐藏图层与元数据里是否留有相同信息。
- 图像里的文字删不掉。 如果敏感信息本身就是一张图片的一部分（比如截图、扫描印章），框选删除会连同图像一起处理，需要先确认影响范围。
整个流程都在浏览器本地完成，文件不上传。对合同、财务单据、含个人信息的材料来说，这一步本身就是安全边界：文件从未离开本机。
三、转 Markdown：丢的不是文字，是结构
PDF 转 Markdown 的难点不在提取文字，而在判断「哪段是标题、哪段是正文、哪段是列表」。因为 PDF 里根本没有这些概念——它记录的是「在某个坐标用某字号画这几个字」。
结构化信息只能靠启发式推断：
- 标题：靠字号明显大于正文、字体加粗、独立成行来推测
- 列表：靠行首的项目符号、缩进与编号来推测
- 段落：靠行间距与换行位置来切分
- 表格：靠文字的横向纵向对齐关系来还原
这些推断在排版规范的文档上效果不错，在以下情况会明显退化：多栏排版（左右两栏会被按行读串行）、页眉页脚（被当成正文）、跨页段落（需要拼接）、扫描件（没有文本层，必须先 OCR）。
用PDF转Markdown转换后，建议按这个顺序检查：标题层级是否落在正确的级别、列表符号是否完整、页眉页脚有没有混进正文、多栏文档的阅读顺序是否正确。原文越规范，需要手改的地方越少。
四、转 Excel：表格线可能只是画上去的线
和上一节同理，PDF 里的表格往往没有真正的单元格结构：那些横平竖直的线条是绘制出来的矢量图形，文字是靠坐标定位摆放的。所以转换成 Excel 时，工具要反过来推断「哪些文字属于同一行、哪些属于同一列」。
常见难点：
- 合并单元格：视觉上跨了多列的标题，在 PDF 里只是一个居中的文本对象，还原后需要手动合并。
- 跨页表格：表格被拆到两页，表头通常不会重复出现，拼接时容易错位或丢失表头。
- 无框线表格：纯靠对齐排列的表格，推断难度最高，列边界容易判断错。
- 数字与单位分离：如「1,234.00 元」，数字与单位可能被识别成两个单元格。
用PDF转Excel转换后，务必核对表头行、总行数与合计值，这几处错了会直接影响后续计算。
五、Word 的两个方向：取图和取字
Word 文档的处理方向相反，操作方式也不同：
- 提取图片：Word 本质是一个压缩包，图片的原始文件就在其中。直接解包取出的图片是原始分辨率，而不是屏幕上看到的缩放效果。文档里被裁剪或缩放过的图片，取出来的仍是完整原图。
- 转成文本：目标是只要纯文字时，用它去掉所有格式、图片与排版，得到干净的 txt 内容，便于后续做文本分析或导入其他系统。
两者用途不同：要图用Word提取图片，要文字用Word转文本。注意旧版 .doc 格式与新版 .docx 的包结构不同，转换前先确认格式能被正常解析。
常见问题
我已经涂黑了，还要重新做吗？ 如果只是画了色块或矩形，建议用密文删除重新处理一遍。检验方法很简单：用鼠标在那块区域上拖动选中并复制，能复制出内容就说明底层文本还在。
密文删除后还能撤销吗？ 不能。密文删除是破坏性操作，执行后原始数据不再存在。所以要先标记、预览确认，再执行，并保留一份原始文件。
转出来的 Markdown 标题层级不对怎么办？ 说明原文的标题判定依据（字号、加粗）不统一。转换后手工调整层级即可；如果是自己生成的文档，转换前统一标题样式能显著改善结果。
扫描的 PDF 能直接转吗？ 不能。扫描件没有文本层，转出来是空内容。需要先做文字识别，再谈转换与结构化。
这些操作会上传我的文件吗？ 本站这几个工具都在浏览器本地完成，文件不经过服务器。涉及合同、财务材料、含个人信息的文档时，这一点尤其重要。