PDF Word bihurtu: 4 modu, OCR eta zer hondatzen den

Adobek 1993an diseinatu zuen PDFa, dokumentu bat edozein makinatan berdin inprimatzeko, eta formatua 2008an ISO 32000-1 nazioarteko estandar bihurtu zen. Promesa hori betetzeko, PDF orri bat marrazteko jarraibideen zerrenda bat da: jarri glifo hauek koordenatu hauetan letra-tipo honekin, marraztu lerro bat hemen, jarri irudi bat han. Bigarren lerrora igarotzen den esaldi bat, funtsean, elkarren gainean dauden bi testu-zati lotugabe dira. Fitxategiko ezerk ez du esaten elkarrekin doazenik.

Word dokumentuak alderantziz funtzionatzen du. DOCX fitxategiak, Office Open XML estandarrak (ECMA-376, geroago ISO/IEC 29500) definituta, paragrafoak, estiloak, taulak, sekzio-jauziak eta goiburuak gordetzen ditu, eta Wordek erabakitzen du lerro bakoitza non hautsi orria antolatzen duen bakoitzean. Hitz bat gehitzean, paragrafoa berriro doitzen da. Marjina, letra-tipoa edo paper-tamaina aldatuz gero, lerro guztiak mugitzen dira. Jokabide hori da editatzean nahi duzuna, eta PDFak inoiz erregistratu ez duena, PDFa gordetzen den unean amaituta baitago.

Beraz, PDFa Word bihurtzea berreraikitzea da, ez irekitzea. Bihurgailuak asmatu behar du zein lerrok osatzen duten paragrafo bat, zein lerro lodi den goiburua eta ez esaldi labur lodi bat, zein hitz lerrokatuk osatzen duten taula bat, eta zein ordenatan irakurri behar diren bi zutabe. Bihurgailu onek ondo asmatzen dute dokumentu garbietan eta gaizki dokumentu nahasietan. PDFa etiketekin esportatu bazen (irisgarritasunerako egitura-geruza), asmatzeko aukerak hobetzen dira, etiketek goiburuak, zerrendak eta irakurketa-ordena zehazki jasotzen baitituzte.

.pdf amaiera duten bi gauza oso desberdin daude. Testu-PDFa Wordetik, Google Docsetik, kontabilitate-sistematik edo nabigatzaile baten inprimatze-elkarrizketatik esportatu da, eta hautatu, kopiatu eta bila ditzakezun benetako karaktereak ditu. PDF eskaneatua eskaner, fotokopiagailu edo telefono-aplikazio batek sortu du, eta orri bakoitza paperaren argazki bat da. Bihurgailuarentzat, orri eskaneatuak ez du hitzik, pixelak baino ez, pantailan testua oso garbi ikusten bada ere. Fitxategiaren izenak eta ikonoak ez dizute ezer esaten; bi motak berdin ikusten dira fitxategi-kudeatzailean.

Orri eskaneatuak karaktere-ezagutza optikotik (OCR) pasatu behar du editagarria den ezer lortu aurretik. OCRak letren formak aztertu eta testu bihurtzen ditu, eta bere zehaztasuna bereizmenaren, kontrastearen, okertzearen eta hizkuntzaren araberakoa da. 300 dpi-ko eskaneatze zuri-beltz garbi bat ia perfektuki irakurtzen da; mahai-lanpara baten azpian angeluan ateratako telefono-argazki batek akatsak sortzen ditu paragrafo guztietan. OCRrik gabeko bihurgailuek dokumentu hutsa ematen dute, edo orri bakoitza irudi bakar gisa itsatsita duen Word fitxategia.

Egiazko fitxategi askok bi motak nahasten dituzte: testu gisa esportatutako kontratu bat, amaieran eskaneatutako sinadura-orriarekin, edo eskaneatutako ordainagirien eranskina duen txosten bat. Orri bakoitza bereizita aztertzen duen bihurgailuak ondoen kudeatzen ditu, testu-orriak zuzenean irakurtzen baititu eta OCR behar den lekuan bakarrik erabiltzen baitu, esportatutako orriek karaktere zehatzak gordetzeko. Eskaneatzeak zuk egiten badituzu, dokumentuak PDF gisa eskaneatzeko gidak OCRri aukerarik onena emango dioten bereizmena eta argia azaltzen ditu.

Microsoft Wordek PDFak zuzenean irekitzen ditu Word 2013tik, Microsoftek PDF Reflow deitzen dion eginbidea erabiliz. Word instalatuta badago, aukera nabarmena da, eta ondo moldatzen da gutun eta txosten soiletan. Fitxategi bat aldiko bihurtzen du. Google Docsek antzeko bidea eskaintzen du Google Drive bidez. Google-ren PDFak testu bihurtzeko laguntza-orriak 2 MB edo gutxiagoko fitxategiak gomendatzen ditu, eta zerrendak, taulak, zutabeak, oin-oharrak eta amaiera-oharrak ez direla seguruenik detektatuko dio, eta hori praktikan ikusten dena da: hitzak ateratzen dira, egitura askotan ez.

Adobe Acrobat Standard eta Prok Wordera esportatzen dute Esportatu PDFa tresnaren bidez, eta orri eskaneatuetan testu-ezagutza automatikoki exekutatzen dute. Acrobat ordainpeko harpidetza da, eta Acrobat Reader doakoak ez du esportazioa barne. Nabigatzaileko bihurgailua bi aukeren erdian dago: ez du ezer instalatu behar, edozein sistema eragiletan funtzionatzen du, eta normalean testu jarioa eta diseino zehatza artean aukeratzen uzten du. PDF Word bihurtu orrian, Testu-ezagutza (OCR) Auto moduan testu-geruzarik gabeko orriak soilik irakurtzen ditu, eta Dokumentuaren hizkuntza aukerak ingelesez ez dauden eskaneatzeen OCR alfabetoa ezartzen du.

Wordeko PDF Reflow Ireki elkarrizketa arruntean dago, eta horregatik jende askok ez du ohartzen. Word 2013, 2016, 2019, 2021 eta Microsoft 365 bertsioetan dabil Windows-en. Wordek jakinarazpen bat erakusten du, PDFa dokumentu editagarri bihurtuko duela, denbora pixka bat behar izan dezakeela eta emaitza ez dela originalaren berdina izango, batez ere fitxategiak grafiko asko baditu. Egin klik Ados botoian eta bihurtutako kopia dokumentu berri eta gorde gabe gisa irekitzen da; PDFa ez da inoiz aldatzen.

Microsoften dokumentazioak ez bihurtzeko arriskua duten elementuak zerrendatzen ditu, orri bat baino gehiago hartzen duten oin-oharrak, amaiera-oharrak, PDFko laster-markak eta iruzkinak, eta distira edo itzala bezalako letra-efektuak barne. Praktikan, Wordek alboko barrak, aipu nabarmenduak eta hainbat zutabeko aldizkari-orriak testu-koadro flotatzaile bihurtu ohi ditu; ondo ikusten dira baina nekagarriak dira editatzeko. Wordek ez du eskaneatze baten hizkuntza ezartzeko aukerarik, beraz orri eskaneatuetako azentudun edo latinoak ez diren testuek emaitza aleatorioa dute. Hala ere, orri bateko gutun batentzat edo txosten soil batentzat, askotan bide azkarrena da, eta emaitza erabiliko duzun editorean bertan dago.

Zutabe bakarreko gorputz-testua eta benetako goiburuak edozein tresnarekin ondo bihurtzen dira: gutunak, saiakerak, kontratuak, txosten gehienak. Lodia, etzana, buletak dituzten zerrendak eta ertz ikusgarriak dituzten taula soilak normalean bizirik irauten dute. Irudiak ateratzen dira bihurgailuak mantentzen dituen bitartean; nabigatzaileko bidean Mantendu irudiak aukera da, DOCXrentzat lehenespenez aktibatuta dagoena. Hiperesteka PDFan benetako esteka zirenean gelditzen dira; inoiz esteka izan ez zen testu urdin azpimarratua testu arrunt gisa geratzen da. Zenbat eta garbiagoa eta konbentzionalagoa izan jatorrizko diseinua, orduan eta gutxiago nabarituko duzu bihurketa.

Arazoak orriaren diseinuak esanahia duenean hasten dira. Bi zutabeko testua zeharka irakur daiteke, behera joan beharrean. Marrarik gabeko taulak zailak dira detektatzeko eta tabulazioz bereizitako lerro gisa irits daitezke. Goiburuak, oin-oharrak eta orri-zenbakiak orri bakoitzean testu arrunt gisa marrazten dira, eta askotan gorputzaren erdian amaitzen dute, orriko behin. Bete daitezkeen inprimaki-eremuak testu soil bihurtzen dira edo galdu egiten dira. Zure ordenagailuan ez dauden letra-tipo txertatuak antzekoenarekin ordezkatzen dira, eta horrek lerroen luzera aldatzen du. Batez ere taulak diren dokumentuetarako, kalkulu-orria da helburu hobea; ikusi irudietatik eta PDFetatik taulak ateratzea.

Ezer editatu aurretik, eman bi minutu bihurketa egiaztatzeko, egitura-arazo bat hasieran konpontzea errazagoa baita testuaren erdia berridatzi ondoren baino. Jarri PDFa eta Word fitxategia alboz albo eta egin gora eta behera biekin. Bilatu orri-mugetan falta diren paragrafoak, gorputzean errepikatutako goiburuak eta lerro solte bihurtu diren taulak. Formatu-markak aktibatuta, lerro guztien amaieran paragrafo-marka bat badago, paragrafoen ordez lerroz lerroko diseinua jaso duzu; Testu jarioa aukerarekin berriro bihurtzeak normalean azkarrago konpontzen du lerroak eskuz elkartzea baino.

Orri eskaneatuetan, egin ortografia-egiaztapena eta jarri arreta berezia zenbakietan, zuzentzaile ortografikoek ez baitituzte aztertzen. OCRak sarri nahasten ditu 0 digitua eta O letra, 1 eta l, eta 5 eta S, eta faktura edo kontratu batean digitu oker bakar batek hamar akatsek baino garrantzi handiagoa du. Paragrafo osoak apurtuta badaude, egiaztatu Dokumentuaren hizkuntza eta bihurtu berriro eskuz zuzendu aurretik. Diseinua konponezina denean, kopiatu testu garbia zure txantiloian oinarritutako dokumentu berri batera; askotan azkarragoa da testu-koadroak askatzea baino.

Bihurgailu guztiek lehendik forma editagarrian existitzen zen dokumentu bat alderantzizko ingeniaritzaz berreraikitzen dute. PDFa lankide, bezero edo zure iraganeko zuk bidali bazenuen, jatorrizko DOCX, Google Doc edo InDesign fitxategia ia beti da edozein bihurketa baino hobea: estiloak osorik, taulak benetakoak, aldaketa-jarraipena eta iruzkinak gordeta. Iturria eskatzeko email labur batek ordubeteko garbiketa aurrez dezake, eta jendeak gutxitan du buruhauste. Arazo sotilago bat ere saihesten du: bihurtutako fitxategiak amaituta dirudi, beraz bihurketak sortutako akats txikiak hurrengo bertsiora igaro daitezke oharkabean.

Aurrena galdetzea da erabaki zuzena asko editatuko dituzun dokumentu luzeetan, berrerabiliko dituzun txantiloietan, taula edo inprimaki konplexuak dituen ororentzat, eta digitu oker bakar bat arriskua den dokumentu juridiko edo finantzarioetan. Bihurtzea da erabaki zuzena iturria galdu denean, PDFa inoiz jatorri digitalik izan ez zuen paperaren eskaneatzea denean, edo paragrafo gutxi batzuk hartu besterik behar ez duzunean. Kasu horretan, PDF bihurgailuak testu soila ere sortzen du, aipatzeko Word fitxategi guztiz formatuduna baino garbiagoa dena.

Sinatutako edo ziurtatutako PDFa kasu berezia da. Wordera bihurtzean sinadura eta bere baliozkotasuna desagertzen dira, beraz tratatu Word fitxategia lan-kopia gisa soilik. Editatutako bertsio bat itzuli behar baduzu, egin aldaketak Word kopian, esportatu berriro PDF gisa eta sinatu berriro; ez aurkeztu bihurtutako fitxategia sinatutako jatorrizko gisa. Gauza bera gertatzen da ziurtagiria edo zigilu ofiziala duten PDFekin: marka bisuala gera daiteke, baina bere froga digitala ez.