Jak převést PDF do Wordu: 4 způsoby, OCR a co se rozbije

Adobe vytvořil PDF v roce 1993, aby se dokument na každém počítači vytiskl stejně, a v roce 2008 se formát stal mezinárodní normou ISO 32000-1. Aby tento slib dodržel, je stránka PDF seznamem kreslicích instrukcí: umísti tyto znaky na tyto souřadnice tímto písmem, nakresli zde čáru, vlož tam obrázek. Věta zalomená na druhý řádek jsou prostě dva nesouvisející úseky textu, které leží nad sebou. Nic v souboru neříká, že k sobě patří.

Dokument Wordu funguje opačně. Soubor DOCX, definovaný standardem Office Open XML (ECMA-376, později ISO/IEC 29500), ukládá odstavce, styly, tabulky, konce oddílů a záhlaví a Word při každém sazbě stránky sám rozhoduje, kde se řádek zalomí. Když přidáte slovo, odstavec se znovu zalomí. Změníte-li okraj, písmo nebo velikost papíru, posune se každý řádek. Přesně to chcete při úpravách, a přesně to PDF nikdy nezaznamenalo, protože bylo hotové v okamžiku uložení.

Převod PDF do Wordu je tedy rekonstrukce, ne rozbalení. Převodník musí hádat, které řádky tvoří jeden odstavec, který tučný řádek je nadpis a ne krátká tučná věta, která zarovnaná slova tvoří tabulku a v jakém pořadí se čtou dva sloupce. Dobré převodníky hádají dobře u čistých dokumentů a špatně u hustých. Pokud bylo PDF exportováno se značkami (strukturní vrstva pro přístupnost), odhady se zlepší, protože značky výslovně zaznamenávají nadpisy, seznamy a pořadí čtení.

Existují dvě velmi odlišné věci, které obě končí na .pdf. Textové PDF bylo exportováno z Wordu, Dokumentů Google, účetního systému nebo tiskového dialogu prohlížeče a obsahuje skutečné znaky, které lze vybrat, kopírovat a vyhledávat. Skenované PDF vytvořil skener, kopírka nebo mobilní aplikace a každá stránka je fotografie papíru. Pro převodník neobsahuje naskenovaná stránka žádná slova, jen pixely, i když text na obrazovce vypadá dokonale ostře. Název souboru ani ikona nic neprozradí; oba druhy vypadají ve správci souborů stejně.

Naskenovaná stránka musí projít optickým rozpoznáváním znaků (OCR), než z ní vznikne cokoli editovatelného. OCR zkoumá tvary písmen a mění je na text a jeho přesnost závisí na rozlišení, kontrastu, natočení a jazyce. Čistý černobílý sken 300 dpi se čte téměř dokonale; mobilní fotka pořízená pod úhlem při stolní lampě způsobí překlepy v každém odstavci. Převodníky bez OCR vám dají buď prázdný dokument, nebo soubor Wordu, kde je každá stránka vložena jako jeden obrázek.

Mnoho skutečných souborů je smíšených: smlouva exportovaná jako text s naskenovanou stranou s podpisem na konci, nebo zpráva s přílohou naskenovaných účtenek. Nejlépe si s tím poradí převodník, který kontroluje každou stránku zvlášť, protože textové stránky čte přímo a OCR použije jen tam, kde je potřeba, takže exportované stránky zůstanou bezchybné. Pokud skeny pořizujete sami, návod skenování dokumentů do PDF popisuje rozlišení a osvětlení, při nichž má OCR nejlepší šanci.

Microsoft Word otevírá PDF přímo od verze 2013 pomocí funkce, kterou Microsoft nazývá PDF Reflow. Je to samozřejmá volba, pokud už Word máte, a dobře si poradí s prostými dopisy a zprávami. Převádí jeden soubor po druhém. Podobnou cestu nabízejí Dokumenty Google přes Disk Google. Nápověda Googlu k převodu PDF na text doporučuje soubory do 2 MB a uvádí, že seznamy, tabulky, sloupce, poznámky pod čarou a vysvětlivky se pravděpodobně nerozpoznají, což odpovídá praxi: slova projdou, struktura často ne.

Adobe Acrobat Standard a Pro exportují do Wordu nástrojem Exportovat PDF a na naskenovaných stránkách automaticky spouštějí rozpoznávání textu. Acrobat je placené předplatné a bezplatný Acrobat Reader export neobsahuje. Převodník v prohlížeči leží mezi nimi: nic se neinstaluje, funguje na každém operačním systému a obvykle nabízí volbu mezi plynulým textem a přesným rozvržením. Na stránce PDF do Wordu čte Rozpoznávání textu (OCR) nastavené na Auto jen stránky bez textové vrstvy a Jazyk dokumentu určuje abecedu OCR pro skeny, které nejsou v angličtině.

PDF Reflow ve Wordu se skrývá v běžném dialogu Otevřít, proto si ho mnoho lidí nikdy nevšimne. Funguje ve Wordu 2013, 2016, 2019, 2021 a Microsoft 365 ve Windows. Word zobrazí upozornění, že PDF převede na editovatelný dokument, že to může chvíli trvat a že výsledek nemusí přesně odpovídat originálu, zvlášť pokud soubor obsahuje mnoho grafiky. Klikněte na OK a převedená kopie se otevře jako nový neuložený dokument; samotné PDF se nikdy nezmění.

Dokumentace Microsoftu uvádí prvky, které se nemusí převést, včetně poznámek pod čarou přesahujících více stránek, vysvětlivek, záložek a komentářů PDF a efektů písma, jako je záře nebo stín. V praxi Word také rád mění postranní panely, citace a časopisecké stránky s více sloupci na plovoucí textová pole, která vypadají správně, ale špatně se upravují. Word navíc nemá nastavení jazyka skenu, takže text s diakritikou nebo nelatinkou na naskenovaných stránkách vychází nahodile. Pro jednostránkový dopis nebo prostou zprávu je to však často nejrychlejší cesta a výsledek už leží v editoru, který budete používat.

Jednosloupcový text se skutečnými nadpisy se dobře převede libovolným nástrojem: dopisy, eseje, smlouvy, většina zpráv. Tučné písmo, kurzíva, odrážkové seznamy a jednoduché tabulky s viditelnými okraji obvykle přežijí. Obrázky projdou, pokud je je převodník zachová, což je u převodu v prohlížeči volba Zachovat obrázky, u DOCX ve výchozím stavu zapnutá. Hypertextové odkazy obvykle přežijí, pokud to v PDF byly skutečné odkazy; modrý podtržený text, který odkazem nikdy nebyl, zůstane prostým textem. Čím čistší a konvenčnější původní rozvržení, tím méně si převodu všimnete.

Potíže začínají tam, kde rozvržení stránky nese význam. Dvousloupcový text se může číst napříč místo shora dolů. Tabulky bez čar se hůř rozpoznávají a mohou dorazit jako řádky oddělené tabulátory. Záhlaví, zápatí a čísla stránek se kreslí na každé stránce jako běžný text, takže často skončí uprostřed těla, jednou na stránku. Vyplnitelná pole formulářů se změní na prostý text nebo zmizí. Vložená písma, která nemáte v počítači, se nahradí nejbližší shodou, což změní délky řádků. U dokumentů tvořených hlavně tabulkami je lepším cílem tabulkový procesor; viz extrakce tabulek z obrázků a PDF.

Než začnete cokoli upravovat, věnujte dvě minuty kontrole převodu, protože strukturální problém se snáze opraví hned na začátku než poté, co přepíšete půlku textu. Položte PDF a soubor Wordu vedle sebe a projděte oba. Hledejte chybějící odstavce na hranicích stránek, záhlaví opakovaná v textu a tabulky, které se změnily v volné řádky. Při zapnutých formátovacích značkách značka odstavce na konci každého řádku znamená, že jste dostali rozvržení po řádcích místo odstavců; nový převod s volbou Plynulý text to obvykle spraví rychleji než ruční spojování řádků.

U naskenovaných stránek spusťte kontrolu pravopisu a věnujte zvláštní pozornost číslům, která kontrola pravopisu ignoruje. OCR běžně zaměňuje číslici 0 s písmenem O, 1 s l a 5 s S a u faktury nebo smlouvy záleží na jediné špatné číslici víc než na deseti překlepech. Pokud jsou zkomolené celé odstavce, zkontrolujte Jazyk dokumentu a převeďte znovu, než začnete opravovat ručně. Když je rozvržení nezachranitelné, zkopírujte čistý text do nového dokumentu podle vlastní šablony; je to často rychlejší než rozplétání textových polí.

Každý převodník zpětně rekonstruuje dokument, který někde už existoval v editovatelné podobě. Pokud PDF pochází od kolegy, klienta nebo vás samotných z minulosti, původní soubor DOCX, Dokument Google nebo InDesign je téměř vždy lepší než jakýkoli převod: styly zůstanou, tabulky jsou skutečné, sledované změny a komentáře zachované. Jeden krátký e-mail s žádostí o zdroj může ušetřit hodinu úklidu a lidem to málokdy vadí. Vyhnete se tak i méně nápadnému problému: převedený soubor vypadá hotově, takže drobné chyby z převodu mohou nepozorovaně putovat do další verze.

Zeptat se předem je správné u dlouhých dokumentů, které budete výrazně upravovat, u šablon, které budete znovu používat, u všeho se složitými tabulkami nebo formuláři a u právních či finančních dokumentů, kde je riziko jediná špatně přečtená číslice. Převod je správný, když zdroj zmizel, když je PDF sken papíru, který nikdy nemal digitální originál, nebo když potřebujete jen vzít pár odstavců. V takovém případě převodník PDF umí vytvořit i prostý text, který se pro citování hodí lépe než plně formátovaný soubor Wordu.

Podepsané nebo certifikované PDF je zvláštní případ. Převod do Wordu odstraní podpis i jeho platnost, takže soubor Wordu berte jen jako pracovní kopii. Pokud potřebujete poslat upravenou verzi zpět, proveďte změny v kopii ve Wordu, exportujte ji znovu do PDF a nechte ji znovu podepsat; převedený soubor nevydávejte za podepsaný originál. Totéž platí pro PDF s certifikací nebo úředním razítkem: vizuální značka může přežít, ale její digitální důkaz ne.