PDF Word-be konvertálás: 4 módszer, OCR és buktatók

Az Adobe 1993-ban azért hozta létre a PDF-et, hogy egy dokumentum minden gépen ugyanúgy nyomtatódjon, és a formátum 2008-ban az ISO 32000-1 nemzetközi szabvány lett. Hogy ezt az ígéretet tartani tudja, a PDF-oldal rajzolási utasítások listája: ezeket a karaktereket ezen a koordinátán, ebben a betűtípusban helyezd el, itt húzz egy vonalat, oda tegyél egy képet. Az a mondat, amely a második sorba tör, valójában két egymástól független szövegrész, amely véletlenül egymás alatt áll. A fájlban semmi sem jelzi, hogy összetartoznak.

A Word-dokumentum fordítva működik. A DOCX-fájl, amelyet az Office Open XML szabvány (ECMA-376, később ISO/IEC 29500) határoz meg, bekezdéseket, stílusokat, táblázatokat, szakasztöréseket és élőfejeket tárol, és a Word minden megjelenítéskor maga dönti el, hol törjön a sor. Ha beír egy szót, a bekezdés újratördelődik. Ha módosítja a margót, a betűtípust vagy a papírméretet, minden sor elmozdul. Szerkesztéskor pontosan erre van szükség, a PDF viszont ezt soha nem rögzítette, mert a mentés pillanatában végleges lett.

A PDF Wordre alakítása tehát újraépítés, nem kicsomagolás. Az átalakítónak ki kell találnia, mely sorok alkotnak egy bekezdést, melyik félkövér sor cím és nem csupán egy rövid félkövér mondat, mely igazított szavak alkotnak táblázatot, és milyen sorrendben kell olvasni két oszlopot. A jó átalakítók tiszta dokumentumokon jól, zsúfoltakon rosszul tippelnek. Ha a PDF-et címkékkel (a kisegítő lehetőségekhez használt szerkezeti réteg) exportálták, a találgatás pontosabb, mert a címkék kifejezetten rögzítik a címsorokat, listákat és az olvasási sorrendet.

Két nagyon különböző dolog végződik .pdf kiterjesztésre. A szöveges PDF-et Wordből, Google Dokumentumokból, számlázóprogramból vagy a böngésző nyomtatási párbeszédablakából exportálták, és valódi karaktereket tartalmaz, amelyeket kijelölhet, másolhat és kereshet. A szkennelt PDF-et lapolvasó, másoló vagy telefonos alkalmazás készítette, és minden oldala egy papírról készült fénykép. Az átalakító számára a szkennelt oldalon egyáltalán nincsenek szavak, csak képpontok, még akkor is, ha a szöveg a képernyőn teljesen élesnek látszik. A fájlnév és az ikon semmit nem árul el; a fájlkezelőben a kétféle PDF ugyanúgy néz ki.

A szkennelt oldalnak optikai karakterfelismerésen (OCR) kell átesnie, mielőtt bármi szerkeszthető készülhet belőle. Az OCR a betűk alakját nézi, és szöveggé alakítja, a pontossága pedig a felbontástól, a kontrasztól, a ferdeségtől és a nyelvtől függ. A tiszta, 300 dpi-s fekete-fehér szkennelést szinte hibátlanul felismeri; az asztali lámpa alatt, ferdén készült telefonfotó minden bekezdésben elírásokat eredményez. Az OCR nélküli átalakítók vagy üres dokumentumot adnak, vagy olyan Word-fájlt, amelyben minden oldal egyetlen képként szerepel.

Sok valós fájl vegyes: például szövegként exportált szerződés, a végén beszkennelt, aláírt aláírási oldallal, vagy jelentés beszkennelt számlákból álló melléklettel. Ezeket az az átalakító kezeli a legjobban, amely minden oldalt külön ellenőriz, mert a szöveges oldalakat közvetlenül olvassa, az OCR-t pedig csak ott használja, ahol szükséges, így az exportált oldalak karakterhelyesek maradnak. Ha maga készíti a szkenneléseket, a dokumentumok PDF-be szkennelésről szóló útmutató bemutatja, milyen felbontás és megvilágítás ad az OCR-nek a legjobb esélyt.

A Microsoft Word a 2013-as verzió óta közvetlenül megnyitja a PDF-eket, a Microsoft által PDF Reflow-nak nevezett funkcióval. Ha a Word már telepítve van, kézenfekvő választás, és egyszerű leveleknél, jelentéseknél jól teljesít. Egyszerre egy fájlt alakít át. A Google Dokumentumok hasonló utat kínál a Google Drive-on keresztül. A Google PDF-ek szöveggé alakításáról szóló súgóoldala legfeljebb 2 MB-os fájlokat javasol, és azt írja, hogy a listák, táblázatok, oszlopok, lábjegyzetek és végjegyzetek valószínűleg nem lesznek felismerve, ami egybevág a tapasztalattal: a szavak átjönnek, a szerkezet gyakran nem.

Az Adobe Acrobat Standard és Pro a PDF exportálása eszközzel exportál Wordbe, és a szkennelt oldalakon automatikusan szövegfelismerést futtat. Az Acrobat fizetős előfizetés, az ingyenes Acrobat Reader nem tartalmazza az exportálást. A böngészős átalakító a kettő között helyezkedik el: nem kell telepíteni, minden operációs rendszeren működik, és általában választhat a folyó szöveg és a pontos elrendezés között. A PDF Wordbe oldalon a Szövegfelismerés (OCR) Automatikus beállítással csak a szövegréteg nélküli oldalakat olvassa be, a Dokumentum nyelve pedig az OCR ábécéjét állítja be a nem angol nyelvű szkenneléseknél.

A Word PDF Reflow funkciója a szokásos Megnyitás párbeszédablakban működik, ezért sokan észre sem veszik. Windowson a Word 2013, 2016, 2019, 2021 és a Microsoft 365 verziójában érhető el. A Word figyelmeztet, hogy a PDF-et szerkeszthető dokumentummá alakítja, ez eltarthat egy ideig, és az eredmény nem biztos, hogy pontosan olyan lesz, mint az eredeti, főleg ha a fájl sok grafikát tartalmaz. Kattintson az OK gombra, és az átalakított másolat új, nem mentett dokumentumként nyílik meg; maga a PDF soha nem változik.

A Microsoft saját dokumentációja felsorol olyan elemeket, amelyek nem biztos, hogy átalakulnak, például a több oldalra átnyúló lábjegyzeteket, a végjegyzeteket, a PDF-könyvjelzőket és megjegyzéseket, valamint a betűeffektusokat, például a ragyogást vagy az árnyékot. A gyakorlatban a Word az oldalsávokat, kiemelt idézeteket és többoszlopos magazinoldalakat is hajlamos lebegő szövegdobozokká alakítani, amelyek jól néznek ki, de fárasztó őket szerkeszteni. A Wordben nincs beállítás a szkennelés nyelvére, így az ékezetes vagy nem latin szöveg felismerése a szkennelt oldalakon esetleges. Egyoldalas levélnél vagy egyszerű jelentésnél viszont gyakran ez a leggyorsabb út, és az eredmény már abban a szerkesztőben van, amelyet használni fog.

Az egyoszlopos, valódi címsorokkal rendelkező törzsszöveg bármelyik eszközzel jól átalakul: levelek, esszék, szerződések, a legtöbb jelentés. A félkövér, dőlt, a felsorolások és a látható szegélyű egyszerű táblázatok általában megmaradnak. A képek átjönnek, ha az átalakító megtartja őket, ami a böngészős módszernél a Képek megtartása beállítás, DOCX-nél alapértelmezetten bekapcsolva. A hivatkozások általában megmaradnak, ha a PDF-ben valódi hivatkozások voltak; a kék, aláhúzott szöveg, amely sosem volt hivatkozás, sima szöveg marad. Minél tisztább és hagyományosabb az eredeti elrendezés, annál kevésbé veszi észre az átalakítást.

A gond ott kezdődik, ahol az oldal elrendezése jelentést hordoz. A kétoszlopos szöveg lefelé olvasás helyett átolvasódhat. A vonalak nélküli táblázatokat nehéz felismerni, és tabulátorral tagolt sorokként érkezhetnek. Az élőfejek, élőlábak és oldalszámok minden oldalon közönséges szövegként vannak megrajzolva, ezért gyakran oldalanként egyszer a törzsszöveg közepére kerülnek. A kitölthető űrlapmezők sima szöveggé laposodnak, vagy elvesznek. A számítógépén nem található beágyazott betűtípusokat a legközelebbi megfelelővel helyettesíti, ami megváltoztatja a sorhosszakat. A főként táblázatokból álló dokumentumoknál jobb célformátum a táblázatkezelő; lásd: táblázatok kinyerése képekből és PDF-ekből.

Mielőtt bármit szerkesztene, szánjon két percet az átalakítás ellenőrzésére, mert a szerkezeti hibát könnyebb az elején javítani, mint miután a szöveg felét átírta. Tegye egymás mellé a PDF-et és a Word-fájlt, és görgessen végig mindkettőn. Keresse a hiányzó bekezdéseket az oldalhatároknál, a törzsszövegben ismétlődő élőfejeket és a laza sorokká vált táblázatokat. Bekapcsolt formázási jeleknél, ha minden sor végén bekezdésjel van, sorokra bontott elrendezést kapott bekezdések helyett; az újbóli átalakítás a Folyó szöveg beállítással általában gyorsabban megoldja, mint a sorok kézi összefűzése.

A szkennelt oldalaknál futtasson helyesírás-ellenőrzést, és fordítson különös figyelmet a számokra, amelyeket a helyesírás-ellenőrzők figyelmen kívül hagynak. Az OCR gyakran összekeveri a 0 számjegyet az O betűvel, az 1-et az l-lel, az 5-öst az S-sel, és egy számlán vagy szerződésben egyetlen hibás számjegy fontosabb, mint tíz elírás. Ha egész bekezdések értelmetlenek, kézi javítás előtt ellenőrizze a Dokumentum nyelve beállítást, és alakítsa át újra. Ha az elrendezés menthetetlen, másolja a tiszta szöveget egy saját sablonra épülő új dokumentumba; ez gyakran gyorsabb, mint a szövegdobozok kibogozása.

Minden átalakító visszafejt egy dokumentumot, amely valahol már szerkeszthető formában létezett. Ha a PDF kollégától, ügyféltől vagy a saját korábbi önmagától származik, az eredeti DOCX, Google-dokumentum vagy InDesign-fájl szinte mindig jobb bármilyen átalakításnál: a stílusok épek, a táblázatok valódiak, a követett módosítások és megjegyzések megmaradnak. Egyetlen rövid e-mail az eredeti elkérésére egy órányi javítást spórolhat meg, és ezt ritkán veszik zokon. Egy finomabb problémát is elkerül: az átalakított fájl késznek látszik, így az átalakítás okozta apró hibák észrevétlenül átkerülhetnek a következő verzióba.

Az előzetes kérés a jó döntés hosszú, erősen szerkesztendő dokumentumoknál, újrahasznosítandó sablonoknál, összetett táblázatot vagy űrlapot tartalmazó fájloknál, valamint jogi vagy pénzügyi dokumentumoknál, ahol egyetlen félreolvasott számjegy kockázat. Az átalakítás akkor jó döntés, ha az eredeti elveszett, ha a PDF olyan papír szkennelése, amelynek soha nem volt digitális eredetije, vagy ha csak néhány bekezdést kell kiemelni. Ilyenkor a PDF átalakító egyszerű szöveget is előállít, ami idézéshez tisztább, mint egy teljesen formázott Word-fájl.

Az aláírt vagy hitelesített PDF külön eset. Wordre alakítva az aláírás és annak érvényessége megszűnik, ezért a Word-fájlt csak munkamásolatnak tekintse. Ha a szerkesztett változatot vissza kell küldenie, végezze el a módosításokat a Word-másolatban, exportálja újra PDF-be, és írassa alá újra; az átalakított fájlt ne mutassa be aláírt eredetiként. Ugyanez igaz a hitelesítéssel vagy hivatalos pecséttel ellátott PDF-ekre: a vizuális jel megmaradhat, de a digitális bizonyítéka nem.