تبدیل PDF به ورد: ۴ روش، OCR و مشکلات رایج

Adobe در سال 1993 فرمت PDF را طراحی کرد تا یک سند روی هر دستگاهی یکسان چاپ شود و این فرمت در سال 2008 به استاندارد بین‌المللی ISO 32000-1 تبدیل شد. برای حفظ این وعده، صفحهٔ PDF فهرستی از دستورهای ترسیم است: این حروف را با این فونت در این مختصات قرار بده، اینجا خطی بکش، آنجا تصویری بگذار. جمله‌ای که به خط دوم می‌رود، در واقع دو قطعه متن بی‌ارتباط است که اتفاقاً زیر هم قرار گرفته‌اند. هیچ چیز در فایل نمی‌گوید که این دو به هم تعلق دارند.

سند Word درست برعکس عمل می‌کند. فایل DOCX که با استاندارد Office Open XML (ECMA-376 و بعدتر ISO/IEC 29500) تعریف شده، پاراگراف‌ها، سبک‌ها، جدول‌ها، شکست بخش‌ها و سرصفحه‌ها را ذخیره می‌کند و Word هر بار که صفحه را می‌چیند تصمیم می‌گیرد هر خط کجا بشکند. با افزودن یک کلمه، پاراگراف دوباره چیده می‌شود. با تغییر حاشیه، فونت یا اندازهٔ کاغذ، همهٔ خطوط جابه‌جا می‌شوند. این رفتار همان چیزی است که هنگام ویرایش لازم دارید و دقیقاً همان چیزی است که PDF هرگز ثبت نکرده، چون PDF به محض ذخیره شدن کامل شده است.

بنابراین تبدیل PDF به Word بازسازی است، نه بازکردن بسته. مبدل باید حدس بزند کدام خطوط یک پاراگراف‌اند، کدام خط پررنگ عنوان است و نه یک جملهٔ کوتاه پررنگ، کدام کلمات ردیف‌شده جدول‌اند و دو ستون به چه ترتیبی خوانده شوند. مبدل‌های خوب روی سندهای تمیز خوب حدس می‌زنند و روی سندهای شلوغ بد. اگر PDF با تگ‌ها (لایهٔ ساختاری برای دسترس‌پذیری) صادر شده باشد، حدس‌ها بهتر می‌شوند، چون تگ‌ها عنوان‌ها، فهرست‌ها و ترتیب خواندن را صریحاً ثبت می‌کنند.

دو چیز کاملاً متفاوت هر دو به .pdf ختم می‌شوند. PDF متنی از Word، Google Docs، یک سیستم حسابداری یا پنجرهٔ چاپ مرورگر صادر شده و شامل نویسه‌های واقعی است که می‌توانید انتخاب، کپی و جست‌وجو کنید. PDF اسکن‌شده با اسکنر، دستگاه کپی یا برنامهٔ موبایل ساخته شده و هر صفحه‌اش عکسی از کاغذ است. برای مبدل، صفحهٔ اسکن‌شده اصلاً کلمه‌ای ندارد و فقط پیکسل دارد، حتی اگر متن روی صفحه کاملاً شفاف به نظر برسد. نام فایل و آیکون چیزی نشان نمی‌دهند؛ این دو نوع در مدیریت فایل یکسان دیده می‌شوند.

صفحهٔ اسکن‌شده باید پیش از هر خروجی قابل‌ویرایش از تشخیص نوری نویسه (OCR) عبور کند. OCR شکل حروف را می‌بیند و به متن تبدیل می‌کند و دقتش به وضوح، کنتراست، کجی و زبان بستگی دارد. اسکن تمیز 300 dpi سیاه روی سفید تقریباً بی‌نقص خوانده می‌شود؛ عکس موبایلی که کج و زیر چراغ مطالعه گرفته شده در هر پاراگراف غلط املایی دارد. مبدل‌های بدون OCR یا سند خالی می‌دهند یا فایل Word که در آن هر صفحه یک عکس است.

بسیاری از فایل‌های واقعی ترکیبی‌اند: قراردادی که متنی صادر شده و صفحهٔ امضای اسکن‌شده‌اش آخر آمده، یا گزارشی با پیوست رسیدهای اسکن‌شده. مبدلی که هر صفحه را جدا بررسی می‌کند بهترین نتیجه را می‌دهد، چون صفحه‌های متنی را مستقیم می‌خواند و OCR را فقط جایی که لازم است به کار می‌برد، پس صفحه‌های متنی بی‌نقص می‌مانند. اگر خودتان اسکن می‌کنید، راهنمای اسکن سند به PDF وضوح و نوری را توضیح می‌دهد که بهترین شانس را به OCR می‌دهد.

Microsoft Word از نسخهٔ 2013 به بعد PDF را مستقیم باز می‌کند، با قابلیتی که Microsoft آن را PDF Reflow می‌نامد. اگر Word نصب است، انتخاب بدیهی همین است و روی نامه‌ها و گزارش‌های ساده خوب عمل می‌کند. هر بار فقط یک فایل تبدیل می‌شود. Google Docs هم از طریق Google Drive روش مشابهی دارد. صفحهٔ راهنمای Google دربارهٔ تبدیل PDF به متن فایل‌های 2 MB یا کوچک‌تر را توصیه می‌کند و می‌گوید فهرست‌ها، جدول‌ها، ستون‌ها، پاورقی‌ها و انتهاینوشت‌ها احتمالاً شناسایی نمی‌شوند؛ این با تجربهٔ عملی می‌خواند: کلمات می‌آیند ولی ساختار اغلب نه.

Adobe Acrobat Standard و Pro از طریق ابزار Export PDF به Word صادر می‌کنند و روی صفحه‌های اسکن‌شده خودکار تشخیص متن انجام می‌دهند. Acrobat اشتراک پولی است و Acrobat Reader رایگان قابلیت صدور ندارد. مبدل مرورگری جایی میان این‌هاست: نصب نمی‌خواهد، روی هر سیستم‌عاملی کار می‌کند و معمولاً بین متن روان و چیدمان دقیق انتخاب می‌دهد. در صفحهٔ تبدیل PDF به ورد، گزینهٔ تشخیص متن (OCR) روی Auto فقط صفحه‌های بدون لایهٔ متن را می‌خواند و زبان سند الفبای OCR را برای اسکن‌هایی که انگلیسی نیستند تعیین می‌کند.

PDF Reflow در Word داخل پنجرهٔ معمولی Open قرار دارد و به همین دلیل بسیاری آن را نمی‌بینند. در Word 2013، 2016، 2019، 2021 و Microsoft 365 در ویندوز کار می‌کند. Word پیامی نشان می‌دهد که PDF را به سند قابل‌ویرایش تبدیل می‌کند، ممکن است زمان ببرد و نتیجه دقیقاً شبیه اصل نباشد، به‌ویژه اگر فایل گرافیک زیادی دارد. روی OK بزنید تا نسخهٔ تبدیل‌شده به صورت سند جدید و ذخیره‌نشده باز شود؛ خود PDF هرگز تغییر نمی‌کند.

مستندات خود Microsoft عناصری را نام می‌برد که ممکن است تبدیل نشوند، از جمله پاورقی‌هایی که بیش از یک صفحه را می‌گیرند، انتهاینوشت‌ها، نشانک‌ها و نظرهای PDF و جلوه‌های فونت مثل درخشش یا سایه. در عمل Word معمولاً نوارهای کناری، نقل‌قول‌های برجسته و صفحه‌های چندستونهٔ مجله را به کادرهای متنی شناور تبدیل می‌کند که درست دیده می‌شوند ولی ویرایششان خسته‌کننده است. Word همچنین تنظیمی برای زبان اسکن ندارد، پس متن دارای اعراب یا غیرلاتین در صفحه‌های اسکن‌شده شانسی است. با این حال برای نامهٔ یک‌صفحه‌ای یا گزارش ساده اغلب سریع‌ترین راه است و نتیجه همان‌جا در ویرایشگری است که با آن کار می‌کنید.

متن تک‌ستونی با عنوان‌های واقعی با هر ابزاری خوب تبدیل می‌شود: نامه، مقاله، قرارداد و بیشتر گزارش‌ها. متن پررنگ، کج، فهرست‌های نقطه‌ای و جدول‌های ساده با کادر مشخص معمولاً سالم می‌مانند. تصاویر تا وقتی مبدل نگهشان دارد می‌آیند؛ در روش مرورگری این همان گزینهٔ حفظ تصاویر است که برای DOCX به صورت پیش‌فرض روشن است. پیوندها معمولاً اگر در PDF واقعی بوده باشند حفظ می‌شوند؛ متن آبی زیرخط‌دار که هرگز پیوند نبوده، متن ساده می‌ماند. هرچه چیدمان اصلی تمیزتر و متعارف‌تر باشد، تبدیل کمتر به چشم می‌آید.

مشکل از جایی شروع می‌شود که چیدمان صفحه معنا دارد. متن دوستونه ممکن است به جای پایین‌رفتن، افقی خوانده شود. جدول‌های بدون خط جداکننده سخت شناسایی می‌شوند و ممکن است به شکل خطوط جداشده با تب بیایند. سرصفحه، پاصفحه و شمارهٔ صفحه در هر صفحه به صورت متن معمولی رسم می‌شوند و اغلب وسط متن اصلی، یک بار برای هر صفحه، می‌نشینند. فیلدهای فرم قابل‌پرشدن به متن ساده تبدیل یا حذف می‌شوند. فونت‌های جاسازی‌شده‌ای که روی رایانهٔ شما نیست با نزدیک‌ترین فونت جایگزین می‌شوند و طول خطوط تغییر می‌کند. برای سندهایی که بیشتر جدول‌اند، صفحه‌گسترده هدف بهتری است؛ استخراج جدول از عکس و PDF را ببینید.

پیش از ویرایش هر چیزی، دو دقیقه برای بررسی تبدیل وقت بگذارید؛ چون رفع مشکل ساختاری در ابتدا آسان‌تر از زمانی است که نیمی از متن را بازنویسی کرده باشید. فایل PDF و فایل Word را کنار هم بگذارید و هر دو را مرور کنید. دنبال پاراگراف‌های جاافتاده در مرز صفحه‌ها، سرصفحه‌های تکرارشده در متن اصلی و جدول‌هایی باشید که به خط‌های پراکنده تبدیل شده‌اند. اگر با روشن کردن علامت‌های قالب‌بندی در انتهای هر خط علامت پاراگراف ببینید، یعنی به‌جای پاراگراف، چیدمان خط‌به‌خط گرفته‌اید؛ تبدیل دوباره با گزینه متن روان معمولاً سریع‌تر از وصل کردن دستی خط‌ها مشکل را حل می‌کند.

برای صفحه‌های اسکن‌شده، غلط‌یاب املایی را اجرا کنید و به اعداد توجه بیشتری داشته باشید، چون غلط‌یاب‌ها آن‌ها را نادیده می‌گیرند. OCR معمولاً رقم 0 را با حرف O، رقم 1 را با l و رقم 5 را با S اشتباه می‌گیرد، و در فاکتور یا قرارداد یک رقم غلط از ده غلط تایپی مهم‌تر است. اگر کل پاراگراف‌ها درهم‌ریخته‌اند، پیش از اصلاح دستی زبان سند را بررسی کنید و دوباره تبدیل کنید. وقتی چیدمان قابل ترمیم نیست، متن تمیز را در سندی تازه بر پایهٔ قالب خودتان کپی کنید؛ این کار اغلب از باز کردن گره جعبه‌های متن سریع‌تر است.

هر مبدلی در واقع سندی را بازسازی می‌کند که قبلاً جایی به‌صورت قابل ویرایش وجود داشته است. اگر PDF را همکار، مشتری یا خودتان در گذشته ساخته‌اید، فایل اصلی DOCX، Google Doc یا InDesign تقریباً همیشه از هر تبدیلی بهتر است: سبک‌ها دست‌نخورده، جدول‌ها واقعی و تغییرات ردیابی‌شده و نظرها حفظ‌شده‌اند. یک ایمیل کوتاه برای درخواست فایل اصلی می‌تواند یک ساعت پاک‌سازی را حذف کند و معمولاً کسی ناراحت نمی‌شود. این کار از مشکلی ظریف‌تر هم جلوگیری می‌کند: فایل تبدیل‌شده تمام‌شده به نظر می‌رسد، پس خطاهای کوچک تبدیل ممکن است بی‌سروصدا به نسخهٔ بعدی منتقل شوند.

پرسیدن از ابتدا برای سندهای بلندی که زیاد ویرایش می‌کنید، قالب‌هایی که دوباره استفاده می‌شوند، هر چیزی با جدول یا فرم پیچیده، و سندهای حقوقی یا مالی که یک رقم اشتباه خوانده‌شده خطر دارد، انتخاب درستی است. تبدیل زمانی درست است که فایل اصلی از بین رفته، PDF اسکن کاغذی است که هرگز نسخهٔ دیجیتال نداشته، یا فقط چند پاراگراف لازم دارید. در این حالت مبدل PDF متن ساده هم تولید می‌کند که برای نقل‌قول از فایل کامل Word تمیزتر است.

PDF امضاشده یا گواهی‌شده حالت ویژه‌ای است. تبدیل آن به Word امضا و اعتبارش را از بین می‌برد، پس فایل Word را فقط نسخهٔ کاری بدانید. اگر باید نسخهٔ ویرایش‌شده را برگردانید، تغییرات را در نسخهٔ Word انجام دهید، دوباره PDF بگیرید و دوباره امضا کنید؛ فایل تبدیل‌شده را به‌عنوان نسخهٔ امضاشدهٔ اصلی ارائه نکنید. این موضوع دربارهٔ PDFهای دارای گواهی یا مهر رسمی هم صدق می‌کند: نشانهٔ ظاهری ممکن است بماند، اما اثبات دیجیتال آن نمی‌ماند.