PDF na Word omskakel: 4 metodes, OCR en wat breek

Adobe het PDF in 1993 ontwerp sodat 'n dokument op enige rekenaar dieselfde druk, en die formaat het in 2008 die internasionale standaard ISO 32000-1 geword. Om daardie belofte na te kom, is 'n PDF-bladsy 'n lys tekeninstruksies: plaas hierdie karakters by hierdie koördinate in hierdie lettertipe, trek hier 'n lyn, plaas daar 'n beeld. 'n Sin wat na 'n tweede reël oorloop, is bloot twee onverwante stukke teks wat toevallig bo-op mekaar sit. Niks in die lêer sê dat hulle bymekaar hoort nie.

'n Word-dokument werk andersom. 'n DOCX-lêer, wat deur die Office Open XML-standaard (ECMA-376, later ISO/IEC 29500) gedefinieer word, bewaar paragrawe, style, tabelle, afdelingsbreuke en kop- en voetstukke, en Word besluit elke keer as dit die bladsy uitlê waar elke reël breek. As jy 'n woord byvoeg, loop die paragraaf weer om. Verander die kantlyn, die lettertipe of die papiergrootte en elke reël skuif. Dis presies wat jy wil hê wanneer jy wysig, en presies wat 'n PDF nooit vasgelê het nie, want 'n PDF was klaar die oomblik toe dit gestoor is.

PDF na Word omskakel is dus heropbou, nie uitpak nie. Die omskakelaar moet raai watter reëls een paragraaf vorm, watter vetgedrukte reël 'n opskrif is eerder as 'n kort vetgedrukte sin, watter belynde woorde 'n tabel vorm, en in watter volgorde twee kolomme gelees moet word. Goeie omskakelaars raai goed by skoon dokumente en swak by besige een. As die PDF met merkers (tags) uitgevoer is, die struktuurlaag vir toeganklikheid, verbeter die raaiskote, want die merkers teken opskrifte, lyste en leesvolgorde uitdruklik aan.

Daar is twee baie verskillende dinge wat albei op .pdf eindig. 'n Teks-PDF is uit Word, Google Docs, 'n rekeningkundige stelsel of 'n blaaier se drukkieslys uitgevoer en bevat regte karakters wat jy kan kies, kopieer en soek. 'n Geskandeerde PDF is deur 'n skandeerder, 'n kopieermasjien of 'n foonprogram gemaak, en elke bladsy is 'n foto van papier. Vir 'n omskakelaar bevat 'n geskandeerde bladsy glad nie woorde nie, net piksels, selfs al lyk die teks perfek skerp op die skerm. Die lêernaam en die ikoon sê niks nie; die twee soorte lyk identies in 'n lêerbestuurder.

'n Geskandeerde bladsy moet deur optiese karakterherkenning (OCR) gaan voordat daar iets wysigbaars uit kan kom. OCR kyk na die vorms van letters en maak teks daarvan, en die akkuraatheid hang af van resolusie, kontras, skeefheid en taal. 'n Skoon 300 dpi swart-op-wit skandering word byna perfek gelees; 'n foonfoto wat skuins onder 'n lessenaarlamp geneem is, lewer in elke paragraaf tikfoute op. Omskakelaars sonder OCR gee jou óf 'n leë dokument óf 'n Word-lêer met elke bladsy as een prent ingeplak.

Baie lêers in die praktyk is gemeng: 'n kontrak wat as teks uitgevoer is met 'n geskandeerde handtekeningbladsy aan die einde, of 'n verslag met 'n bylae van geskandeerde kwitansies. 'n Omskakelaar wat elke bladsy afsonderlik nagaan, hanteer dit die beste, want dit lees die tekstbladsye direk en gebruik OCR net waar nodig, sodat die uitgevoerde bladsye karakter-vir-karakter korrek bly. As jy self die skanderings maak, dek die gids oor dokumente na PDF skandeer die resolusie en beligting wat OCR die beste kans gee.

Microsoft Word maak PDF's sedert Word 2013 direk oop, met 'n funksie wat Microsoft PDF Reflow noem. Dis die voor die hand liggende keuse as Word reeds geïnstalleer is, en dit doen goed met gewone briewe en verslae. Dit skakel een lêer op 'n slag om. Google Docs bied 'n soortgelyke roete deur Google Drive. Google se hulpbladsy oor PDF's na teks omskakel beveel lêers van 2 MB of kleiner aan en sê lyste, tabelle, kolomme, voetnote en eindnote sal waarskynlik nie opgespoor word nie, wat ooreenstem met wat jy in die praktyk sien: die woorde kom deur, die struktuur dikwels nie.

Adobe Acrobat Standard en Pro voer deur die Export PDF-gereedskap na Word uit en voer teksherkenning outomaties op geskandeerde bladsye uit. Acrobat is 'n betaalde intekening, en die gratis Acrobat Reader bevat nie die uitvoer nie. 'n Blaaier-omskakelaar sit tussen hierdie twee: niks om te installeer nie, werk op enige bedryfstelsel, en bied gewoonlik 'n keuse tussen vloeiende teks en presiese uitleg. Op die PDF na Word-bladsy lees Teksherkenning (OCR) op Auto net die bladsye sonder 'n tekslaag, en Dokumenttaal stel die OCR-alfabet vir skanderings wat nie in Engels is nie.

Word se PDF Reflow sit in die gewone Open-dialoog, daarom merk baie mense dit nooit op nie. Dit werk in Word 2013, 2016, 2019, 2021 en Microsoft 365 op Windows. Word wys 'n kennisgewing dat dit die PDF in 'n wysigbare dokument sal omskakel, dat dit 'n rukkie kan neem, en dat die resultaat dalk nie presies soos die oorspronklike sal lyk nie, veral as die lêer baie grafika het. Klik OK en die omgeskakelde kopie maak as 'n nuwe, ongestoorde dokument oop; die PDF self word nooit verander nie.

Microsoft se eie dokumentasie lys elemente wat dalk nie omskakel nie, insluitend voetnote wat oor meer as een bladsy strek, eindnote, PDF-boekmerke en -opmerkings, en lettertipe-effekte soos gloed of skaduwee. In die praktyk maak Word ook gewoonlik sybalke, uitgelaaide aanhalings en tydskrifbladsye met veelvuldige kolomme in swewende tekskassies, wat reg lyk maar vervelig is om te wysig. Word het ook geen instelling vir die taal van 'n skandering nie, so geaksentueerde of nie-Latynse teks op geskandeerde bladsye is hit-en-miss. Vir 'n eenbladsy-brief of 'n gewone verslag is dit egter dikwels die vinnigste roete, en die resultaat sit reeds in die redigeerder wat jy sal gebruik.

Eenkolom-lopende teks met regte opskrifte skakel met enige hulpmiddel goed om: briewe, opstelle, kontrakte, die meeste verslae. Vet, kursief, kolpuntlyste en eenvoudige tabelle met sigbare rande oorleef gewoonlik. Prente kom deur solank die omskakelaar hulle behou, wat op die blaaier-roete die Behou prente-opsie is, by verstek aan vir DOCX. Skakels oorleef gewoonlik as hulle regte skakels in die PDF was; blou onderstreepte teks wat nooit 'n skakel was nie, bly gewone teks. Hoe skoner en konvensioneler die oorspronklike uitleg, hoe minder sal jy die omskakeling agterkom.

Die moeilikheid begin waar die bladsyuitleg betekenis dra. Tweekolomteks kan oor gelees word in plaas van af. Tabelle sonder lyne is moeilik om op te spoor en kan as tab-geskeide reëls aankom. Kop- en voetstukke en bladsynommers word op elke bladsy as gewone teks geteken, so hulle beland dikwels in die middel van die teks, een keer per bladsy. Invulbare vormvelde word in gewone teks platgemaak of gaan verlore. Ingebedde lettertipes wat nie op jou rekenaar is nie, word met die naaste ooreenkoms vervang, wat reëllengtes verander. Vir dokumente wat meestal uit tabelle bestaan, is 'n sigblad die beter teiken; sien tabelle uit beelde en PDF's onttrek.

Voor jy iets wysig, spandeer twee minute om die omskakeling na te gaan, want 'n strukturele probleem is makliker aan die begin reg te maak as nadat jy die helfte van die teks herskryf het. Sit die PDF en die Word-lêer langs mekaar en blaai deur albei. Soek ontbrekende paragrawe by bladsygrense, opskrifte wat in die teks herhaal word en tabelle wat los reëls geword het. Met formateringsmerke aan beteken 'n paragraafmerk aan die einde van elke reël dat jy 'n reël-vir-reël-uitleg gekry het in plaas van paragrawe; om weer met Vloeiende teks om te skakel, los dit gewoonlik vinniger op as om reëls met die hand aanmekaar te sit.

Voer by geskandeerde bladsye 'n spelkontrole uit en gee ekstra aandag aan getalle, wat spelkontroleerders ignoreer. OCR verwar gewoonlik die syfer 0 met die letter O, 1 met l, en 5 met S, en in 'n faktuur of kontrak maak een verkeerde syfer meer saak as tien tikfoute. As hele paragrawe deurmekaar is, kyk na die Dokumenttaal en skakel weer om voor jy met die hand regmaak. Wanneer die uitleg onherstelbaar is, kopieer die skoon teks in 'n nuwe dokument gebaseer op jou eie sjabloon; dit is dikwels vinniger as om tekskassies te ontrafel.

Elke omskakelaar probeer 'n dokument terugontwerp wat êrens reeds in 'n wysigbare vorm bestaan het. As die PDF van 'n kollega, 'n kliënt of jou vroeër self gekom het, is die oorspronklike DOCX-, Google Doc- of InDesign-lêer amper altyd beter as enige omskakeling: style ongeskonde, tabelle eg, nagespoorde veranderinge en opmerkings behou. Een kort e-pos om die bron te vra kan 'n uur se opruiming bespaar, en mense steur hulle selde daaraan. Dit vermy ook 'n subtieler probleem: 'n omgeskakelde lêer lyk klaar, so klein foute wat deur die omskakeling ingebring is, kan ongemerk na die volgende weergawe oorgaan.

Om eers te vra is die regte keuse vir lang dokumente wat jy swaar sal wysig, vir sjablone wat jy weer sal gebruik, vir enigiets met ingewikkelde tabelle of vorms, en vir regs- of finansiële dokumente waar een verkeerd gelese syfer 'n risiko is. Omskakel is die regte keuse wanneer die bron weg is, wanneer die PDF 'n skandering is van papier wat nooit 'n digitale oorspronklike gehad het nie, of wanneer jy net 'n paar paragrawe nodig het. In daardie geval lewer die PDF-omskakelaar ook gewone teks, wat skoner is om uit aan te haal as 'n ten volle geformateerde Word-lêer.

'n Geteikende of gesertifiseerde PDF is 'n spesiale geval. Om dit na Word om te skakel, verwyder die handtekening en die geldigheid daarvan, so behandel die Word-lêer net as 'n werkskopie. As jy 'n gewysigde weergawe moet terugstuur, maak jou veranderinge in die Word-kopie, voer dit weer na PDF uit en laat dit weer teken; moenie die omgeskakelde lêer as die geteikende oorspronklike aanbied nie. Dieselfde geld vir PDF's met 'n sertifikaat of 'n amptelike seël: die visuele merk kan oorleef, maar die digitale bewys nie.