对于纯文字文档，无论内容如何排版（双语双侧对照、一段中文一段英文对照、整篇中文整篇英文对照），首先删除不需要的信息，包括脚注、页码、标题、注释等。这一步可以通过PDF编辑器来完成（Adobe、WPS等），也可以转换后再删除无关信息，但这样会影响转换的正确率。因此建议先删除无用信息再进行转化。

图1-1包含无关内容的左右两栏对照的双语文本

在该案例中，转换使用的软件为Adobe Acrobat，这是一款功能十分强大的软件，可对PDF进行多种处理。Adobe可在Mac系统和Windows系统上使用，但由于目前只能集体购买软件，个人可以在网上找到绿色版本，便足以满足需求（涉及保密内容慎用）！

首先，用Adobe打开要转换的PDF文件，在右侧工具栏选择“导出PDF”。

图1-2在Adobe中选择“导出PDF”

接着直接选择第二个文件类型，便可得到XLS文件，可用Excel直接打开。

图1-3选择导出第二个文件格式

获得的文件在Excel打开如图。这时的XLS文件几乎和原文格式一致，只需修改表格名称和文件名称即可，便可作为一个单机小型语料库。

图1-4转换后的XLS文件

但要注意，XLS文件中可能有一些地方中英文并不对应，例如，本该在一个单元格的内容分成了多个单元格，这时只需把内容全部复制到一个单元格中，删除多余的行便可得到格式正确的文档。

注意：不能合并单元格，合并单元格后下面单元格的信息会被覆盖，所以只能手动复制内容再删除多余的行。

图1-5转换后的文件出现中英文不对应的问题

图1-6手动调整格式

对于该案例类型的文本，可用任何一款PDF处理器转换成XLS表格形式，而不仅限于Adobe，也可尝试在线文件转换器和大数据模型（ChatGPT等）。

Adobe的优点：处理速度快、步骤简单、（破解版）便宜

Adobe的缺点：对原文档格式要求较高、产出的文档可能会有不对齐的情况，需要手动调整。

如果是这类型的源文件，直接转换为XLS表格形式，效果可能不佳，后续处理会很麻烦。

图1-7段落上下对照的PDF文档直接转换为XLS文档

因此，一个笨拙的办法是先把PDF转换成Word文档，进而利用Word自带的“文字转表格”功能，转换为Word中的表格形式，进而转回PDF文档再转成XLS表格形式。PDF转Word文档方法与1.1.1中转成XLS文档类似，只需在格式转换时选择“Word文档”即可。

在Word中，利用自带的“文字转表格”功能把内容转成表格的形式。先选择要转换的内容，然后“插入——表格——文字转表格”。

图1-8 word自带的“文字转表格”功能

设置好转换成表格的格式。

图1-9设置转换后的表格形式

但是转换成表格后，也会出现格式不正确的问题，这是由于原文的格式没有处理好（即从PDF转换而成的Word没有正确分段）。所以在使用“文字转换成表格”功能前，需要手动整理原文格式，建议删除空行，否则空行会被识别为一段。

图1-10转换后的表格格式不对应

图1-11未删除空行的情形

图1-12正确处理后的表格形式

然后把该Word文档转换成PDF文档，再转换成XLS表格形式。

优点：不需要额外多余的软件，只需一个PDF编辑器

缺点：麻烦、费事、消耗人工、更多适用于较短且原文格式良好的文本

对于这类型的文本，直接分别把中英文复制到Excel表格中即可建立XLS表格形式文件，但需注意原文的格式正确，包括段落正确分段，没有空行。

优点：简单、不需要额外软件

缺点：对原文格式要求高、内容过多时可能不容易操作

对于同时有图片、公式、脚注等的复杂文本，例如学术论文等，需要借助更专业和高级的PDF文档处理器。这里介绍的是ABBYY FinerReader PDF，但该软件是付费软件，有7天、100页的免费试用版，同时有Mac和Windows系统版本。（案例展示的为Windows系统版本，且原文本为复杂的段度对照双语文本）

图1-13在ABBYY中打开PDF文件

图1-14打卡界面

在左侧的页面管理中，右键单击页面，选择分析页面，软件可以分析划分当前页面的区域，包括文字区域、表格区域、图片区域等。

图1-15选择“分析页面”

图1-16 “页面分析”后的视图

分析页面后，每一页的不同区域都用不同颜色标注，绿色一般为文字区域，红色一般为图片区域。右键单击图片区域，选择删除，便可将图片区域删除（为选中），只留些文字区域。

图1-17只保留文字区域

留下全部所需文字区域后，便可导出文件。由于案例中的文本为段落对照的复杂文本，因此先导出为Word文档，再用1.1.2中的方法转换成XLS表格形式。

图1-18保存导出文档

如果原文档本身含有所需的表格，便可以选择删除其他区域，保留表格区域，然后直接导出为XLS表格文件。

关于把PDF双语文档转换成XLS表格形式的文档，还可以借助大数据模型，例如ChatGPT 4.0，上传源文件，说明要求，便可获得想要的文档格式。但是，目前大多数可（免费）获取的大数据模型都不具备这一功能，不能直接把PDF文件转为XLS表格文件，但可以把PDF文件中的内容提取进行分列，我们可以手动复制粘贴到Excel表格中，以此形成XLS表格文件。

例如，借助Perplexity，我们把PDF文件内容提取出来，分成两列，然后手动复制粘贴到Excel表格中。

Prompt：Can you transform this file into a xls document with Chinese and English put in two columns separately and with each paragraph occupying one unit?

图1-19利用Perplexity提取PDF文档内容并分列

原创来源/原创作者：北外CAT课程-语料库技术-2024春-小组成员：曹瑞恩  卓书妙  黄书婷

推文编辑：仇旻鸿

审核：程海东  代霄彦

文章推荐：

如您喜欢我们的内容，欢迎您点赞、在看、转发，更多问题可后台留言小编哦