投稿系统要求把正文、附表和说明信合成一个 PDF,导师发来的扫描件却搜不到字,附表又要抄进 Excel。很多人第一反应是找 Acrobat,或者打开某个在线网站上传文件。其实这些操作大多有更合适的办法,而且未发表的稿件也不必离开你的电脑。
先说结论: 合并、拆分、旋转、OCR、提取文字型 PDF 的表格,这几件事通常不需要 Acrobat。需要编辑正文、处理复杂表单、电子签名或做合规存档时,就要另外评估,本文不认为这些工具能替代 Acrobat 的全部功能。
测试范围(2026-11-09,Linux): 命令行工具 qpdf 11.9.0、OCRmyPDF 17.14.0、Tesseract 5.3.4、tabula-py 2.10.0 已用自己生成的示例 PDF 实际运行,脚本见 pdf_tools_demo.py。PDF Arranger、PDFsam Basic、Tabula 桌面版、Sioyek 等图形界面软件尚未实际操作,其描述依据官方资料。
1. 按任务选工具
| 任务 | 推荐工具 | 费用与许可证 | 平台 | 文件是否离开本机 |
|---|---|---|---|---|
| 合并、拆分、旋转(可视化) | PDF Arranger | 免费,GPL-3.0 | Windows、Linux | 本地 |
| 合并、拆分、提取页面 | PDFsam Basic | 免费,AGPL-3.0;另有收费产品 | Windows、macOS、Linux | 本地 |
| 批量页面操作 | qpdf | 免费,Apache-2.0 | Windows、macOS、Linux | 本地 |
| 扫描件转可搜索 PDF | OCRmyPDF | 免费,MPL-2.0 | Windows、macOS、Linux | 本地 |
| 提取文字型 PDF 中的表格 | Tabula | 免费,MIT 类许可 | 依官方下载页 | 本地 |
| 阅读论文 | Sioyek | 免费,GPL-3.0 | 依官方下载页 | 本地 |
“免费”和“开源”是两回事。这里列出的主要工具都同时满足这两点,但 PDFsam 同时存在收费产品,别把收费版的功能算到 Basic 上。
2. 合并、拆分、重新排列
只需处理几个文件时,图形界面更方便:PDF Arranger 适合拖动缩略图调整页面顺序、旋转和裁剪,PDFsam Basic 适合按页码拆分或合并。
要处理几十个文件时,命令行更稳定。下面的命令都已实际运行(a.pdf 3 页,b.pdf 2 页):
# 合并,输出 5 页
qpdf --empty --pages a.pdf b.pdf -- merged.pdf
# 提取第 2-3 页
qpdf merged.pdf --pages . 2-3 -- part.pdf
# 重新排列:第 5 页放到最前,再接第 1 页
qpdf merged.pdf --pages . 5,1 -- reordered.pdf
# 第 1 页顺时针旋转 90 度
qpdf merged.pdf --rotate=+90:1 rotated.pdf
运行后检查结果:合并得到 5 页,提取得到 2 页,重新排列后文字顺序为“Paper B page 2、Paper A page 1”,第 1 页的旋转属性为 90。
3. 提取表格:先判断是不是“真文字”
选中 PDF 中的文字,能选中就是文字型,选不中多半是图片。用 pdftotext 也能判断:
pdftotext file.pdf -
Tabula 面向文字型 PDF。本文用同一张表格做了对比:
| 输入 | 结果 |
|---|---|
文字型 PDF,带表格线(lattice 模式) |
4 行 3 列,内容与原表完全一致 |
| 扫描件(只有图像) | 未提取到表格 |
提取后一定要和原文核对。合并单元格、跨页表格和无表格线的版式,容易造成错列。
4. 扫描件转可搜索 PDF
OCRmyPDF 在图像下方加入一层文字,页面外观基本保持不变。
# 英文;中文用 -l chi_sim,需要安装对应语言包
ocrmypdf -l eng --output-type pdf scan.pdf scan_ocr.pdf
# 批量处理当前文件夹(bash)
for f in *.pdf; do ocrmypdf -l eng --output-type pdf "$f" "ocr_$f"; done
示例扫描页 OCR 之前提取不到任何文字,OCR 之后 3 句正文都被正确识别。但是,表格第一行的 “S1” 被识别成了 “Sl”(数字 1 变成小写字母 l)。
这是个很好的提醒:OCR 文字适合搜索和定位,不能直接当作数据。样品编号、数值和单位必须回到原图核对。
OCRmyPDF 默认输出 PDF/A,本文示例指定了普通 PDF。需要长期存档时,应按机构的要求验证输出文件。
5. 读论文
论文阅读的痛点常常是公式和参考文献之间来回跳转。Sioyek 是专门面向论文和技术文档的 PDF 阅读器,官方仓库使用 GPL-3.0 许可证。如果你主要做文献管理,Zotero 内置的阅读器可能已经够用,不必额外安装。
6. 敏感文件:先问“文件会去哪”
未发表的数据、审稿稿件、病历和合同,不应该随手上传到在线工具。
- 上表中的工具都在本地处理,这是它们对敏感文件的主要优势。
- ZIRULAB 工具库中的 PDF24 Creator 提供 Windows 版和网页版,要分清当前使用的是哪一个;网页工具通常要上传文件,使用前应阅读其隐私说明。
- Stirling-PDF 可以自行部署。如果使用别人部署的服务,文件仍然离开了你的电脑。
- 单位有信息安全规定时,以规定为准。
另外,“看起来涂黑了”不等于删除了。在 PDF 上盖一个黑框,底下的文字可能仍然存在。真正的涂黑需要专门功能,并且要验证结果。
7. 哪些事情可能还需要 Acrobat
- 直接编辑页面中的正文和版式。
- 复杂的表单设计、电子签名和审批流程。
- 真正的涂黑(redaction)和预检等合规需求。
- 单位指定 Acrobat 的工作流程。
这些功能的范围和价格请以 Adobe 官方说明为准。很多学校和机构已有授权,购买之前可以先询问。
8. 适合谁
适合: 经常合并投稿材料、处理扫描文献、从论文中提取表格的研究人员。
不适合: 主要工作是编辑 PDF 正文或维护复杂表单的人。
想把这些步骤串起来,可以参考 ZIRULAB 的扫描 PDF OCR 与文献整理流程。
