Μετατροπή PDF σε Word: 4 μέθοδοι, OCR και τι χαλάει

Η Adobe σχεδίασε το PDF το 1993 ώστε ένα έγγραφο να εκτυπώνεται ίδιο σε οποιονδήποτε υπολογιστή, και η μορφή έγινε το διεθνές πρότυπο ISO 32000-1 το 2008. Για να τηρηθεί αυτή η υπόσχεση, μια σελίδα PDF είναι μια λίστα οδηγιών σχεδίασης: τοποθέτησε αυτούς τους χαρακτήρες σε αυτές τις συντεταγμένες με αυτή τη γραμματοσειρά, σχεδίασε μια γραμμή εδώ, βάλε μια εικόνα εκεί. Μια πρόταση που συνεχίζεται στη δεύτερη γραμμή είναι απλώς δύο άσχετα τμήματα κειμένου που τυχαίνει να βρίσκονται το ένα πάνω από το άλλο. Τίποτα στο αρχείο δεν δείχνει ότι ανήκουν μαζί.

Ένα έγγραφο Word λειτουργεί αντίστροφα. Ένα αρχείο DOCX, που ορίζεται από το πρότυπο Office Open XML (ECMA-376, αργότερα ISO/IEC 29500), αποθηκεύει παραγράφους, στυλ, πίνακες, αλλαγές ενότητας και κεφαλίδες, και το Word αποφασίζει πού σπάει κάθε γραμμή κάθε φορά που διαμορφώνει τη σελίδα. Όταν προσθέτετε μια λέξη, η παράγραφος αναδιατάσσεται. Αν αλλάξετε το περιθώριο, τη γραμματοσειρά ή το μέγεθος χαρτιού, κάθε γραμμή μετακινείται. Αυτή η συμπεριφορά είναι ακριβώς αυτό που θέλετε όταν επεξεργάζεστε, και ακριβώς αυτό που το PDF δεν κατέγραψε ποτέ, επειδή ένα PDF ολοκληρώνεται τη στιγμή που αποθηκεύεται.

Επομένως η μετατροπή PDF σε Word είναι ανακατασκευή, όχι αποσυσκευασία. Ο μετατροπέας πρέπει να μαντέψει ποιες γραμμές αποτελούν μία παράγραφο, ποια έντονη γραμμή είναι επικεφαλίδα και όχι σύντομη έντονη πρόταση, ποιες ευθυγραμμισμένες λέξεις σχηματίζουν πίνακα και με ποια σειρά διαβάζονται δύο στήλες. Οι καλοί μετατροπείς μαντεύουν σωστά σε καθαρά έγγραφα και άσχημα σε φορτωμένα. Αν το PDF εξήχθη με ετικέτες (το επίπεδο δομής για την προσβασιμότητα), οι εκτιμήσεις βελτιώνονται, επειδή οι ετικέτες καταγράφουν ρητά επικεφαλίδες, λίστες και σειρά ανάγνωσης.

Υπάρχουν δύο πολύ διαφορετικά πράγματα που καταλήγουν και τα δύο σε .pdf. Ένα PDF με κείμενο εξήχθη από Word, Google Docs, λογιστικό σύστημα ή το παράθυρο εκτύπωσης ενός προγράμματος περιήγησης, και περιέχει πραγματικούς χαρακτήρες που μπορείτε να επιλέξετε, να αντιγράψετε και να αναζητήσετε. Ένα σαρωμένο PDF δημιουργήθηκε από σαρωτή, φωτοτυπικό ή εφαρμογή κινητού, και κάθε σελίδα είναι φωτογραφία χαρτιού. Για έναν μετατροπέα, μια σαρωμένη σελίδα δεν περιέχει καθόλου λέξεις, μόνο pixel, ακόμη κι αν το κείμενο φαίνεται τέλεια καθαρό στην οθόνη. Το όνομα του αρχείου και το εικονίδιο δεν δείχνουν τίποτα· οι δύο τύποι μοιάζουν ίδιοι στον διαχειριστή αρχείων.

Μια σαρωμένη σελίδα πρέπει να περάσει από οπτική αναγνώριση χαρακτήρων (OCR) πριν παραχθεί οτιδήποτε επεξεργάσιμο. Το OCR εξετάζει τα σχήματα των γραμμάτων και τα μετατρέπει σε κείμενο, και η ακρίβειά του εξαρτάται από την ανάλυση, την αντίθεση, την κλίση και τη γλώσσα. Μια καθαρή σάρωση 300 dpi με μαύρο σε λευκό διαβάζεται σχεδόν τέλεια· μια φωτογραφία κινητού υπό γωνία κάτω από φως γραφείου παράγει λάθη σε κάθε παράγραφο. Οι μετατροπείς χωρίς OCR δίνουν είτε κενό έγγραφο είτε αρχείο Word με κάθε σελίδα επικολλημένη ως μία εικόνα.

Πολλά αρχεία στην πράξη είναι μικτά: ένα συμβόλαιο που εξήχθη ως κείμενο με σαρωμένη σελίδα υπογραφής στο τέλος, ή μια αναφορά με παράρτημα σαρωμένων αποδείξεων. Τα χειρίζεται καλύτερα ένας μετατροπέας που ελέγχει κάθε σελίδα ξεχωριστά, επειδή διαβάζει απευθείας τις σελίδες με κείμενο και εφαρμόζει OCR μόνο όπου χρειάζεται, ώστε οι εξαγόμενες σελίδες να παραμένουν τέλειες χαρακτήρα προς χαρακτήρα. Αν κάνετε μόνοι σας τις σαρώσεις, ο οδηγός για σάρωση εγγράφων σε PDF εξηγεί την ανάλυση και τον φωτισμό που δίνουν στο OCR τις καλύτερες πιθανότητες.

Το Microsoft Word ανοίγει PDF απευθείας από το Word 2013, με μια λειτουργία που η Microsoft ονομάζει PDF Reflow. Είναι η προφανής επιλογή αν έχετε ήδη εγκατεστημένο Word και αποδίδει καλά σε απλές επιστολές και αναφορές. Μετατρέπει ένα αρχείο τη φορά. Το Google Docs προσφέρει παρόμοια διαδρομή μέσω του Google Drive. Η σελίδα βοήθειας της Google για τη μετατροπή PDF σε κείμενο συνιστά αρχεία έως 2 MB και αναφέρει ότι λίστες, πίνακες, στήλες, υποσημειώσεις και τελικές σημειώσεις δεν είναι πιθανό να εντοπιστούν, κάτι που συμφωνεί με την πράξη: οι λέξεις περνούν, η δομή συχνά όχι.

Το Adobe Acrobat Standard και Pro εξάγουν σε Word μέσω του εργαλείου Εξαγωγή PDF και εκτελούν αυτόματα αναγνώριση κειμένου στις σαρωμένες σελίδες. Το Acrobat είναι συνδρομή επί πληρωμή και το δωρεάν Acrobat Reader δεν περιλαμβάνει την εξαγωγή. Ένας μετατροπέας στο πρόγραμμα περιήγησης βρίσκεται ανάμεσα: δεν χρειάζεται εγκατάσταση, λειτουργεί σε κάθε λειτουργικό σύστημα και συνήθως προσφέρει επιλογή μεταξύ ρέοντος κειμένου και ακριβούς διάταξης. Στη σελίδα PDF σε Word, η Αναγνώριση κειμένου (OCR) σε Αυτόματο διαβάζει μόνο τις σελίδες χωρίς επίπεδο κειμένου, και η Γλώσσα εγγράφου ορίζει το αλφάβητο του OCR για σαρώσεις που δεν είναι στα αγγλικά.

Το PDF Reflow του Word βρίσκεται στο συνηθισμένο παράθυρο Άνοιγμα, γι' αυτό πολλοί δεν το προσέχουν ποτέ. Λειτουργεί στα Word 2013, 2016, 2019, 2021 και Microsoft 365 σε Windows. Το Word εμφανίζει μήνυμα ότι θα μετατρέψει το PDF σε επεξεργάσιμο έγγραφο, ότι αυτό μπορεί να διαρκέσει, και ότι το αποτέλεσμα μπορεί να μην μοιάζει ακριβώς με το πρωτότυπο, ειδικά αν το αρχείο έχει πολλά γραφικά. Πατήστε OK και το μετατραπέν αντίγραφο ανοίγει ως νέο, μη αποθηκευμένο έγγραφο· το ίδιο το PDF δεν αλλάζει ποτέ.

Η τεκμηρίωση της ίδιας της Microsoft απαριθμεί στοιχεία που μπορεί να μη μετατραπούν, όπως υποσημειώσεις που εκτείνονται σε περισσότερες από μία σελίδες, τελικές σημειώσεις, σελιδοδείκτες και σχόλια PDF, και εφέ γραμματοσειράς όπως λάμψη ή σκιά. Στην πράξη, το Word τείνει επίσης να μετατρέπει πλευρικές στήλες, εμφανή αποσπάσματα και σελίδες περιοδικών πολλών στηλών σε κινούμενα πλαίσια κειμένου, που φαίνονται σωστά αλλά είναι κουραστικά στην επεξεργασία. Το Word δεν έχει επίσης ρύθμιση για τη γλώσσα μιας σάρωσης, οπότε το κείμενο με τόνους ή μη λατινικούς χαρακτήρες σε σαρωμένες σελίδες είναι άστοχο. Για μια επιστολή μίας σελίδας ή μια απλή αναφορά, πάντως, είναι συχνά η ταχύτερη μέθοδος, και το αποτέλεσμα βρίσκεται ήδη στον επεξεργαστή που θα χρησιμοποιήσετε.

Το κείμενο σε μία στήλη με πραγματικούς τίτλους μετατρέπεται καλά με κάθε εργαλείο: επιστολές, εκθέσεις, συμβόλαια, οι περισσότερες αναφορές. Τα έντονα, τα πλάγια, οι λίστες με κουκκίδες και οι απλοί πίνακες με ορατά περιγράμματα συνήθως διατηρούνται. Οι εικόνες περνούν εφόσον ο μετατροπέας τις κρατά, κάτι που στη μέθοδο του προγράμματος περιήγησης είναι η επιλογή Διατήρηση εικόνων, ενεργή από προεπιλογή για DOCX. Οι υπερσυνδέσεις γενικά διατηρούνται όταν ήταν πραγματικοί σύνδεσμοι στο PDF· μπλε υπογραμμισμένο κείμενο που δεν ήταν ποτέ σύνδεσμος μένει απλό κείμενο. Όσο πιο καθαρή και συμβατική είναι η αρχική διάταξη, τόσο λιγότερο θα προσέξετε τη μετατροπή.

Τα προβλήματα αρχίζουν όπου η διάταξη της σελίδας φέρει νόημα. Το κείμενο δύο στηλών μπορεί να διαβαστεί οριζόντια αντί για κάθετα. Οι πίνακες χωρίς γραμμές είναι δύσκολο να εντοπιστούν και μπορεί να φτάσουν ως γραμμές χωρισμένες με tab. Οι κεφαλίδες, τα υποσέλιδα και οι αριθμοί σελίδων σχεδιάζονται σε κάθε σελίδα ως συνηθισμένο κείμενο, οπότε συχνά καταλήγουν στη μέση του κειμένου, μία φορά ανά σελίδα. Τα συμπληρώσιμα πεδία φορμών γίνονται απλό κείμενο ή χάνονται. Οι ενσωματωμένες γραμματοσειρές που δεν υπάρχουν στον υπολογιστή σας αντικαθίστανται από την πλησιέστερη, κάτι που αλλάζει τα μήκη των γραμμών. Για έγγραφα που αποτελούνται κυρίως από πίνακες, καλύτερος στόχος είναι ένα υπολογιστικό φύλλο· δείτε την εξαγωγή πινάκων από εικόνες και PDF.

Πριν επεξεργαστείτε οτιδήποτε, αφιερώστε δύο λεπτά στον έλεγχο της μετατροπής, γιατί ένα δομικό πρόβλημα διορθώνεται πιο εύκολα στην αρχή παρά αφού έχετε ξαναγράψει το μισό κείμενο. Βάλτε δίπλα-δίπλα το PDF και το αρχείο Word και κάντε κύλιση και στα δύο. Ψάξτε για παραγράφους που λείπουν στα όρια των σελίδων, για κεφαλίδες που επαναλαμβάνονται μέσα στο κείμενο και για πίνακες που έγιναν ξεχωριστές γραμμές. Με ενεργά τα σημάδια μορφοποίησης, ένα σημάδι παραγράφου στο τέλος κάθε γραμμής σημαίνει ότι πήρατε διάταξη γραμμή προς γραμμή αντί για παραγράφους· η νέα μετατροπή με Ρέον κείμενο συνήθως το διορθώνει ταχύτερα από το χειροκίνητο ένωμα των γραμμών.

Για σαρωμένες σελίδες, εκτελέστε ορθογραφικό έλεγχο και προσέξτε ιδιαίτερα τους αριθμούς, τους οποίους οι ορθογραφικοί έλεγχοι αγνοούν. Το OCR μπερδεύει συχνά το ψηφίο 0 με το γράμμα O, το 1 με το l και το 5 με το S, και σε ένα τιμολόγιο ή συμβόλαιο ένα λάθος ψηφίο μετράει περισσότερο από δέκα τυπογραφικά. Αν ολόκληρες παράγραφοι βγήκαν δυσανάγνωστες, ελέγξτε τη Γλώσσα εγγράφου και μετατρέψτε ξανά πριν διορθώσετε με το χέρι. Όταν η διάταξη δεν σώζεται, αντιγράψτε το καθαρό κείμενο σε νέο έγγραφο με δικό σας πρότυπο· συχνά είναι πιο γρήγορο από το ξεμπέρδεμα των πλαισίων κειμένου.

Κάθε μετατροπέας προσπαθεί να ανασυνθέσει ένα έγγραφο που κάποτε υπήρχε σε επεξεργάσιμη μορφή. Αν το PDF προήλθε από συνάδελφο, πελάτη ή από εσάς τους ίδιους παλιότερα, το αρχικό DOCX, Google Doc ή αρχείο InDesign είναι σχεδόν πάντα καλύτερο από κάθε μετατροπή: με άθικτα στυλ, πραγματικούς πίνακες, παρακολούθηση αλλαγών και σχόλια. Ένα σύντομο email που ζητά το πρωτότυπο μπορεί να γλιτώσει μία ώρα καθαρισμού, και σπάνια ενοχλεί κάποιον. Αποφεύγετε έτσι και ένα πιο ύπουλο πρόβλημα: ένα μετατρεμμένο αρχείο φαίνεται τελειωμένο, οπότε μικρά λάθη της μετατροπής περνούν απαρατήρητα στην επόμενη έκδοση.

Η ερώτηση πρώτα είναι η σωστή επιλογή για μεγάλα έγγραφα που θα επεξεργαστείτε εκτενώς, για πρότυπα που θα ξαναχρησιμοποιήσετε, για οτιδήποτε έχει σύνθετους πίνακες ή φόρμες, και για νομικά ή οικονομικά έγγραφα όπου ένα λάθος ψηφίο είναι ρίσκο. Η μετατροπή είναι η σωστή επιλογή όταν το πρωτότυπο έχει χαθεί, όταν το PDF είναι σάρωση χαρτιού που δεν είχε ποτέ ψηφιακό πρωτότυπο, ή όταν χρειάζεστε μόνο λίγες παραγράφους. Σε αυτή την περίπτωση, ο μετατροπέας PDF δίνει και απλό κείμενο, που είναι πιο καθαρό για παράθεση από ένα πλήρως μορφοποιημένο αρχείο Word.

Ένα υπογεγραμμένο ή πιστοποιημένο PDF είναι ειδική περίπτωση. Η μετατροπή σε Word αφαιρεί την υπογραφή και την ισχύ της, γι' αυτό θεωρήστε το αρχείο Word απλώς αντίγραφο εργασίας. Αν χρειάζεται να στείλετε πίσω επεξεργασμένη έκδοση, κάντε τις αλλαγές στο αντίγραφο Word, εξαγάγετέ το ξανά σε PDF και υπογράψτε το πάλι· μην παρουσιάζετε το μετατρεμμένο αρχείο ως υπογεγραμμένο πρωτότυπο. Το ίδιο ισχύει για PDF με πιστοποίηση ή επίσημη σφραγίδα: το οπτικό σήμα μπορεί να επιζήσει, όχι όμως η ψηφιακή του απόδειξη.