PDF til Word: 4 metoder, OCR og hvad der går galt

Adobe udviklede PDF i 1993, så et dokument udskrives ens på alle maskiner, og i 2008 blev formatet den internationale standard ISO 32000-1. For at holde det løfte er en PDF-side en liste med tegneinstruktioner: placér disse tegn på disse koordinater i denne skrifttype, tegn en streg her, sæt et billede dér. En sætning, der fortsætter på næste linje, er blot to uafhængige tekststykker, der tilfældigvis står over hinanden. Intet i filen angiver, at de hører sammen.

Et Word-dokument fungerer omvendt. En DOCX-fil, defineret af standarden Office Open XML (ECMA-376, senere ISO/IEC 29500), gemmer afsnit, typografier, tabeller, sektionsskift og sidehoveder, og Word afgør, hvor hver linje brydes, hver gang siden opsættes. Tilføjer du et ord, ombrydes afsnittet. Ændrer du margen, skrifttypen eller papirstørrelsen, flytter hver linje sig. Det er netop det, du vil have, når du redigerer, og det, en PDF aldrig har registreret, fordi en PDF er færdig i det øjeblik, den gemmes.

Konvertering fra PDF til Word er derfor en rekonstruktion, ikke en udpakning. Konverteren skal gætte, hvilke linjer der udgør ét afsnit, hvilken fed linje der er en overskrift og ikke bare en kort fed sætning, hvilke ord på række der er en tabel, og i hvilken rækkefølge to spalter skal læses. Gode konvertere gætter godt på rene dokumenter og dårligt på travle. Er PDF'en eksporteret med tags (strukturlaget til tilgængelighed), bliver gættene bedre, fordi tags registrerer overskrifter, lister og læserækkefølge eksplicit.

To meget forskellige ting ender begge på .pdf. En tekst-PDF er eksporteret fra Word, Google Docs, et regnskabsprogram eller en browsers udskriftsdialog og indeholder rigtige tegn, du kan markere, kopiere og søge i. En scannet PDF er lavet af en scanner, en kopimaskine eller en mobilapp, og hver side er et fotografi af papir. For en konverter indeholder en scannet side slet ingen ord, kun pixels, selv om teksten ser knivskarp ud på skærmen. Filnavnet og ikonet fortæller intet; de to typer ser ens ud i filhåndteringen.

En scannet side skal igennem optisk tegngenkendelse (OCR), før der kan komme noget redigerbart ud af den. OCR ser på bogstavernes former og omsætter dem til tekst, og nøjagtigheden afhænger af opløsning, kontrast, skævhed og sprog. En ren sort-på-hvid scanning i 300 dpi læses næsten perfekt; et mobilfoto taget på skrå under en skrivebordslampe giver tastefejl i hvert afsnit. Konvertere uden OCR giver enten et tomt dokument eller en Word-fil, hvor hver side er indsat som ét billede.

Mange filer i virkeligheden er blandede: en kontrakt eksporteret som tekst med en underskrevet side scannet til sidst, eller en rapport med et bilag af scannede kvitteringer. En konverter, der kontrollerer hver side for sig, klarer det bedst, fordi den læser tekstsiderne direkte og kun bruger OCR, hvor det er nødvendigt, så de eksporterede sider forbliver tegn for tegn korrekte. Scanner du selv, beskriver guiden om at scanne dokumenter til PDF den opløsning og belysning, der giver OCR de bedste betingelser.

Microsoft Word har kunnet åbne PDF-filer direkte siden Word 2013 med en funktion, Microsoft kalder PDF Reflow. Det er det oplagte valg, hvis Word allerede er installeret, og det klarer almindelige breve og rapporter godt. Den konverterer én fil ad gangen. Google Docs tilbyder en lignende vej via Google Drev. Googles hjælpeside om konvertering af PDF-filer til tekst anbefaler filer på 2 MB eller derunder og skriver, at lister, tabeller, spalter, fodnoter og slutnoter næppe bliver genkendt, hvilket passer med erfaringen: ordene kommer med, strukturen ofte ikke.

Adobe Acrobat Standard og Pro eksporterer til Word med værktøjet Eksportér PDF og kører automatisk tekstgenkendelse på scannede sider. Acrobat er et betalt abonnement, og gratis Acrobat Reader har ikke eksportfunktionen. En konverter i browseren ligger midt imellem: ingenting at installere, den virker på alle operativsystemer og giver som regel valget mellem flydende tekst og eksakt layout. På siden PDF til Word læser Tekstgenkendelse (OCR) på Auto kun de sider, der mangler et tekstlag, og Dokumentets sprog angiver OCR-alfabetet til scanninger, der ikke er på engelsk.

Words PDF Reflow ligger i den almindelige Åbn-dialog, og derfor opdager mange den aldrig. Den virker i Word 2013, 2016, 2019, 2021 og Microsoft 365 på Windows. Word viser en besked om, at PDF'en bliver konverteret til et redigerbart dokument, at det kan tage lidt tid, og at resultatet muligvis ikke ligner originalen nøjagtigt, især hvis filen har mange grafikelementer. Klik på OK, og den konverterede kopi åbnes som et nyt, ugemt dokument; selve PDF'en ændres aldrig.

Microsofts egen dokumentation oplister elementer, der muligvis ikke konverteres, herunder fodnoter over mere end én side, slutnoter, PDF-bogmærker og kommentarer samt skrifteffekter som glød eller skygge. I praksis gør Word også ofte sidebokse, citater og magasinsider med flere spalter til flydende tekstfelter, som ser rigtige ud, men er besværlige at redigere. Word har heller ingen indstilling for sproget i en scanning, så accenttegn eller ikke-latinsk tekst på scannede sider er en lodtrækning. Til et brev på én side eller en enkel rapport er det dog ofte den hurtigste vej, og resultatet ligger allerede i det program, du skal bruge.

Brødtekst i én spalte med rigtige overskrifter konverteres godt med ethvert værktøj: breve, opgaver, kontrakter og de fleste rapporter. Fed, kursiv, punktlister og enkle tabeller med synlige rammer overlever som regel. Billeder kommer med, så længe konverteren beholder dem, hvilket i browserløsningen er indstillingen Bevar billeder, som er slået til som standard for DOCX. Hyperlinks overlever som regel, når de var rigtige links i PDF'en; blå understreget tekst, der aldrig var et link, forbliver almindelig tekst. Jo renere og mere konventionelt det oprindelige layout er, desto mindre mærker du til konverteringen.

Problemerne begynder, hvor sidens layout bærer betydning. Tekst i to spalter kan blive læst på tværs i stedet for nedad. Tabeller uden linjer er svære at genkende og kan komme som tabulatoradskilte linjer. Sidehoveder, sidefødder og sidetal tegnes som almindelig tekst på hver side, så de havner ofte midt i brødteksten, én gang pr. side. Udfyldelige formularfelter bliver fladet ud til almindelig tekst eller går tabt. Indlejrede skrifttyper, der ikke findes på din computer, erstattes af den nærmeste, hvilket ændrer linjelængderne. Til dokumenter, der mest består af tabeller, er et regneark et bedre mål; se udtræk af tabeller fra billeder og PDF-filer.

Før du redigerer noget, så brug to minutter på at kontrollere konverteringen, for et strukturelt problem er lettere at rette i starten end efter, at du har omskrevet halvdelen af teksten. Læg PDF'en og Word-filen side om side, og rul gennem begge. Se efter manglende afsnit ved sideskift, sidehoveder gentaget i brødteksten og tabeller, der er blevet til løse linjer. Med formateringstegn slået til betyder et afsnitstegn for enden af hver linje, at du fik et layout linje for linje i stedet for afsnit; konverter igen med Flydende tekst, det er som regel hurtigere end at samle linjerne i hånden.

Kør en stavekontrol på scannede sider, og vær ekstra opmærksom på tal, som stavekontrol ignorerer. OCR forveksler ofte tallet 0 med bogstavet O, 1 med l og 5 med S, og i en faktura eller kontrakt betyder ét forkert ciffer mere end ti tastefejl. Er hele afsnit forvansket, så tjek Dokumentets sprog, og konverter igen, før du retter i hånden. Når layoutet er håbløst, så kopiér den rene tekst over i et nyt dokument baseret på din egen skabelon; det er ofte hurtigere end at rede tekstfelter ud.

Enhver konverter prøver at genskabe et dokument, der allerede fandtes i redigerbar form et sted. Kom PDF'en fra en kollega, en kunde eller dig selv engang, er den oprindelige DOCX-, Google Docs- eller InDesign-fil næsten altid bedre end enhver konvertering: typografier intakte, rigtige tabeller, sporede ændringer og kommentarer bevaret. En kort mail med bøn om kildefilen kan spare en times oprydning, og folk har sjældent noget imod det. Det undgår også et mere snigende problem: en konverteret fil ser færdig ud, så små fejl fra konverteringen kan følge med ind i næste version uden at blive opdaget.

Det er rigtigt at spørge først ved lange dokumenter, du skal redigere meget, ved skabeloner, du vil genbruge, ved alt med komplekse tabeller eller formularer og ved juridiske eller økonomiske dokumenter, hvor ét forkert aflæst ciffer er en risiko. Det er rigtigt at konvertere, når kilden er væk, når PDF'en er en scanning af papir, der aldrig havde et digitalt oprindeligt dokument, eller når du kun skal hente nogle få afsnit. I så fald kan PDF-konverteren også lave ren tekst, som er bedre til citater end en fuldt formateret Word-fil.

En underskrevet eller certificeret PDF er et særtilfælde. Konverterer du den til Word, forsvinder underskriften og dens gyldighed, så betragt Word-filen som en arbejdskopi. Skal du sende en redigeret version tilbage, så foretag ændringerne i Word-kopien, eksportér den til PDF igen, og få den underskrevet igen; præsentér ikke den konverterede fil som den underskrevne original. Det samme gælder PDF-filer med en certificering eller et officielt segl: det visuelle mærke kan overleve, men det digitale bevis gør ikke.