数学PDF → Word 转换

适用场景

扫描版数学试卷/教辅 PDF（纯图片、无文字层），需要转成带可编辑公式和表格的 Word 文档。

依赖

| 工具 | 位置 | 用途 | |------|------|------| | MinerU 桌面版 | C:\Users\Administrator\Mineru | PDF→Markdown+图片 | | Pandoc | C:\pandoc\pandoc-3.6.4\pandoc.exe | MD→DOCX（公式→OMML） | | Python 3.10 | 系统Python | 表格转换、排版、去杂音 |

执行流程

1. 确认 MinerU 已处理 PDF

检查 C:\Users\Administrator\Mineru\ 下是否有对应的 UUID 目录，包含 full.md 和 images/。

2. 确认图片清理

询问用户是否已删除 images/ 中不需要的图片。如果没有，引导用户：

• 打开 MinerU 输出目录下的 images/ 文件夹
• 删除二维码广告、出版社logo等不需要的图片
• 删除后告诉我，我重新生成

3. 运行流水线

$env:PYTHONIOENCODING="utf-8"
C:\Users\Administrator\AppData\Local\Programs\Python\Python310\python.exe D:\zhipuworkplase\math_pdf_tools\pipeline.py -s "UUID后缀" -n "输出文件名"

流水线自动执行：

1. 将 HTML <table> 转为 Markdown 管道表格（Pandoc 不认 HTML table）
2. Pandoc 生成 DOCX（公式 → OMML，表格 → Word 表格）
3. 应用排版（A4、字体、边距、行距）
4. 去除 MinerU 杂音（text_image、Geometric diagram 等描述文字）

4. 告知用户后续步骤

生成完成后告知：

• 文件在 D:\zhipuworkplase\output_docx\math_output\
• 可在 Word 中 引用→目录 自动生成目录
• 合并单元格的表格需手动微调

关键注意事项

1. Pandoc 不转换 HTML 表格：MinerU 输出的 <table> 在 Pandoc --to=docx 时会被当作文本。必须先用脚本转为 |...| 管道表格。
2. 图片路径：Pandoc 必须在 markdown 所在目录执行（cwd=文档目录），否则图片引用找不到。
3. MinerU 表格检测不完整：部分表格可能未被 MinerU 识别为表格，这类表格只能以图片形式保留。
4. 合并单元格：colspan/rowspan 在 markdown 管道表格中无法表达，需手动调整。

排版参数

• 纸张: A4 (21×29.7cm)，边距上下2.5cm/左右3.2cm
• 标题: 微软雅黑 14pt 加粗 #2E54A1
• 正文: 等线 10.5pt，行距1.5倍，首行缩进2字符
• 公式: Word 原生 OMML，双击可编辑