PDF 与图片解析

同一份 PDF，核对 Markdown 与 Word 的实际结果

2026年10月11日，复用一份已完成解析的两页自编 PDF，实际导出 Markdown 和流式 Word。原稿标题仍为 “Motion notes: a PDF to LaTeX demo”，内容含两条独立公式、三行数据表和一张图；本次没有重新上传、识别或修改解析内容。

查看原图 ↗

查看原图 ↗

\[
v = \frac{s}{t}
\]

| Group | Distance \( s\left( \mathrm{\;m}\right) \) | Time \( t \) (s) | Speed \( v \) (m/s) |
| --- | --- | --- | --- |
| A | 6.00 | 2.00 | 3.00 |
| B | 12.00 | 4.00 | 3.00 |
| C | 15.00 | 5.00 | 3.00 |

1. Markdown 含 6 个二级标题，文稿标题也导出成二级标题；有 2 处独立公式定界和 8 处行内定界，后者包括变量、单位和图表说明。
2. Markdown 的三行四列表格与 Word 的原生表格数据一致：A 为 6.00、2.00、3.00；B 为 12.00、4.00、3.00；C 为 15.00、5.00、3.00。
3. 普通 Word 含 10 个 Office Math 公式对象、1 张原生表格和 1 张嵌入图片。公式对象数量包含行内变量与单位，不等于十条独立公式。
4. Markdown ZIP 的相对图片路径指向包内 images 文件夹；Word 嵌入的是同一张 JPEG。两者都保留解析时漏掉图表顶端说明的情况，可下载原稿第 2 页核对。
5. Word 使用流式排版，页面尺寸由原稿 A4 变为 Letter。本地预览仍是 2 页，但第 4 节标题已移到第 1 页末，图表位于第 2 页。

Markdown ZIP 与 DOCX 保留实际下载内容。Word 预览 PDF 由本地 LibreOffice 生成，预览图直接渲染该 PDF；没有在 Microsoft Word 或 WPS 中实测编辑。核对 ZIP 为本地整理。本例是原生文字 PDF，不含扫描页、手写、多栏、代码或跨页表格；也没有导出 API JSON，不能据此推定这些输入与接口的结果。

文档解析、格式转换和接口接入分别做什么

PDF 解析先看内容，再看格式

本例将两页内容组织为六个标题、正文、公式、表格和一张图片。标题都成为二级标题，不能把标题存在理解成完整恢复原稿层级。多栏、脚注或跨页续表应另外检查阅读顺序和归属。

回到原页，核对具体内容块

本次点击解析结果里的第 4 节标题，左侧 PDF 从第 1 页跳到第 2 页并高亮对应标题。这有助于逐段校对；本例只核对了这个标题的定位，其他内容块仍以实际任务表现为准。

公式与表格，用数字和符号逐项比对

先核对速度分式 v = s/t 和定积分的上下限、平方及 1/3，再检查三行小数与表头单位。公式能显示、文件能下载，都不能代替和原页比较；有些行内单位也会作为公式对象导出。

图表变成图片后，检查边缘文字

同一图表在两份输出中使用相同 JPEG。A、B、C 三个点与坐标仍可见，但顶部的距离单位和模型说明被漏掉。正文和表格仍保留部分单位，不能只凭其中一处正确就判断图表完整。

扫描件和 Office 输入需要各自的预检

扫描或拍照材料先检查清晰度、裁边和页序，再识别文字；Office 文稿先检查转换预览的字体、公式与图表。当前公开样例是原生文字 PDF，这两类输入的示例可从下面关联页面继续查看。

接口结果与网页导出分别确认

需要程序读取坐标、类型或正文时，查看开放平台的解析结果说明。网页中的 Word、HTML 等导出选项，不能直接推定为同名 API 参数；本页下载材料只验证网页解析结果的两个输出格式。

17 类版面元素，保留文档结构

另有 attributes.is_boilerplate 标记，用于识别页眉、页脚、页码等样板文字。

相关官方说明

遇到这些情况

格式换了，漏掉的图表说明仍然没有

先回到解析内容和原页核对。两个输出可能共用同一份解析结果，换格式不会自动重新识别或修复漏行。

Markdown 图片打不开

完整解压 ZIP，保留 Markdown 与 images 文件夹的相对位置；再检查编辑器对本地图片路径的支持。

Word 页数相同，内容位置却变了

检查流式排版与页面尺寸。本例虽仍为两页，A4 已变成 Letter，第 4 节标题也前移。

Office 预览已经缺字或错位

先处理源文件字体、图表或转换预览问题，确认中间 PDF 正常后再继续解析。

常见问题