PDF í Word: 4 aðferðir, OCR og það sem fer úrskeiðis

Adobe hannaði PDF árið 1993 til þess að skjal prentaðist eins á öllum tölvum, og árið 2008 varð sniðið að alþjóðlega staðlinum ISO 32000-1. Til að standa við þetta loforð er PDF-síða listi yfir teiknifyrirmæli: settu þessa stafi á þessa hnita í þessu letri, dragðu línu hér, settu mynd þarna. Setning sem brotnar á aðra línu er einfaldlega tvær ótengdar textaraðir sem liggja hvor undir annarri. Ekkert í skránni segir að þær eigi saman.

Word-skjal virkar öfugt. DOCX-skrá, sem skilgreind er í Office Open XML staðlinum (ECMA-376, síðar ISO/IEC 29500), geymir efnisgreinar, stíla, töflur, kaflaskil og haus- og fótsvæði, og Word ákveður í hvert sinn hvar hver lína brotnar. Þegar þú bætir við orði brotnar efnisgreinin upp á nýtt. Breyttu spássíu, letri eða pappírsstærð og hver llína færist til. Þetta er einmitt það sem þú vilt þegar þú ritstýrir, og einmitt það sem PDF skráði aldrei, því PDF var fullbúin um leið og hún var vistuð.

Að umbreyta PDF í Word er því enduruppbygging, ekki upppökkun. Breytirinn þarf að giska á hvaða línur mynda eina efnisgrein, hvaða feita lína er fyrirsögn en ekki stutt feit setning, hvaða samstillt orð mynda töflu og í hvaða röð á að lesa tvo dálka. Góðir breytar giska vel á hrein skjöl en illa á þétt skjöl. Ef PDF-skráin var flutt út með merkjum (byggingarlagið sem notað er fyrir aðgengi) batna giskin, því merkin skrá fyrirsagnir, lista og lesröð með skýrum hætti.

Tvennt gjörólíkt getur endað á .pdf. Texta-PDF var flutt út úr Word, Google Docs, bókhaldskerfi eða prentglugga vafra og inniheldur raunverulega stafi sem hægt er að velja, afrita og leita í. Skönnuð PDF varð til í skanna, ljósritunarvél eða símaforriti og hver síða er ljósmynd af pappír. Fyrir breyti inniheldur skönnuð síða engin orð, aðeins díla, jafnvel þótt textinn líti skarpur út á skjánum. Skráarnafnið og táknið segja ekkert; báðar gerðir líta eins út í skráastjóra.

Skönnuð síða þarf að fara í gegnum ljóslestur (OCR) áður en nokkuð breytanlegt getur komið úr henni. OCR skoðar lögun stafa og breytir þeim í texta, og nákvæmnin ræðst af upplausn, birtuskilum, halla og tungumáli. Hrein 300 dpi svartur-á-hvítu skönnun er lesin næstum fullkomlega; símamynd tekin á ská undir skrifborðslampa gefur innsláttarvillur í hverri efnisgrein. Breytar án OCR skila annaðhvort tómu skjali eða Word-skrá þar sem hver síða er límd inn sem ein mynd.

Margar skrár í raunveruleikanum eru blandaðar: samningur fluttur út sem texti með undirritaðri undirskriftarsíðu skannaðri aftast, eða skýrsla með viðauka af skönnuðum kvittunum. Best fer á með breyti sem athugar hverja síðu fyrir sig, því hann les textasíðurnar beint og notar OCR aðeins þar sem þess þarf, svo útfluttu síðurnar haldast fullkomnar. Ef þú skannar sjálf(ur) fjallar leiðbeiningin um að skanna skjöl í PDF um upplausn og lýsingu sem gefa OCR bestu möguleika.

Microsoft Word hefur opnað PDF-skrár beint frá og með Word 2013 með eiginleika sem Microsoft kallar PDF Reflow. Það er augljós kostur ef Word er þegar uppsett og virkar vel á einföld bréf og skýrslur. Það umbreytir einni skrá í einu. Google Docs býður svipaða leið í gegnum Google Drive. Hjálparsíða Google um umbreytingu PDF í texta mælir með skrám sem eru 2 MB eða minni og segir að listar, töflur, dálkar, neðanmálsgreinar og aftanmálsgreinar greinist líklega ekki, sem stemmir við reynsluna: orðin skila sér en uppbyggingin oft ekki.

Adobe Acrobat Standard og Pro flytja út í Word með Export PDF tólinu og keyra textagreiningu sjálfkrafa á skönnuðum síðum. Acrobat er greidd áskrift og ókeypis Acrobat Reader inniheldur ekki útflutninginn. Vafrabreytir er millileið: ekkert þarf að setja upp, hann virkar á öllum stýrikerfum og býður yfirleitt val á milli flæðandi texta og nákvæmrar uppsetningar. Á síðunni PDF í Word les Textagreining (OCR) á sjálfvirku aðeins síðurnar án textalags og Tungumál skjals stillir OCR-stafrófið fyrir skannanir sem eru ekki á ensku.

PDF Reflow í Word er í venjulega Opna-glugganum, og þess vegna taka margir aldrei eftir því. Það virkar í Word 2013, 2016, 2019, 2021 og Microsoft 365 á Windows. Word sýnir tilkynningu um að það muni umbreyta PDF-skránni í breytanlegt skjal, að það geti tekið tíma og að niðurstaðan líti kannski ekki nákvæmlega út eins og frumritið, sérstaklega ef skráin hefur margar myndir. Smelltu á OK og umbreytta afritið opnast sem nýtt, óvistað skjal; PDF-skránni sjálfri er aldrei breytt.

Í skjölum Microsoft eru talin upp atriði sem umbreytast kannski ekki, þar á meðal neðanmálsgreinar sem ná yfir fleiri en eina síðu, aftanmálsgreinar, PDF-bókamerki og athugasemdir, og leturáhrif eins og ljóma eða skugga. Í reynd breytir Word líka oft hliðarstikum, tilvitnunum og margdálka tímaritssíðum í fljótandi textareiti sem líta rétt út en eru þreytandi að breyta. Word hefur heldur enga stillingu fyrir tungumál skönnunar, svo texti með áherslumerkjum eða utan latneska stafrófsins er happa- og glappaaðferð á skönnuðum síðum. Fyrir eins blaðs bréf eða einfalda skýrslu er þetta þó oft fljótlegasta leiðin og niðurstaðan er þegar í ritlinum sem þú notar.

Eindálka meginmál með raunverulegum fyrirsögnum umbreytist vel með hvaða tóli sem er: bréf, ritgerðir, samningar, flestar skýrslur. Feitletrun, skáletrun, punktalistar og einfaldar töflur með sýnilegum römmum lifa yfirleitt af. Myndir skila sér svo lengi sem breytirinn heldur þeim, sem í vafraleiðinni er valkosturinn Halda myndum, sjálfgefið á fyrir DOCX. Tenglar lifa yfirleitt af ef þeir voru raunverulegir tenglar í PDF-skránni; blár undirstrikaður texti sem var aldrei tengill verður áfram venjulegur texti. Því hreinni og hefðbundnari sem uppsetning frumritsins er, því minna tekur þú eftir umbreytingunni.

Vandinn byrjar þar sem uppsetning síðunnar ber merkingu. Tveggja dálka texti getur verið lesinn þvert í stað niður. Töflur án línuramma eru erfiðar að greina og geta komið sem línur aðskildar með tabi. Haus, fótur og blaðsíðutöl eru teiknuð á hverri síðu sem venjulegur texti og lenda því oft í miðju meginmáli, einu sinni á síðu. Útfyllanlegir eyðublaðareitir verða að venjulegum texta eða glatast. Innfelld letur sem eru ekki í tölvunni þinni eru skipt út fyrir næsta letur, sem breytir línulengdum. Fyrir skjöl sem eru aðallega töflur er töflureiknir betri áfangastaður; sjá að ná töflum úr myndum og PDF-skrám.

Áður en þú breytir nokkru skaltu eyða tveimur mínútum í að athuga umbreytinguna, því byggingarvandi er auðveldari að laga í upphafi en eftir að þú hefur endurskrifað hálfan textann. Settu PDF-skrána og Word-skrána hlið við hlið og flettu í gegnum báðar. Leitaðu að efnisgreinum sem vantar á síðuskilum, hausum sem endurtaka sig í meginmáli og töflum sem urðu að lausum línum. Með sniðmerki á þýðir efnisgreinamerki í enda hverrar línu að þú fékkst línu-fyrir-línu uppsetningu í stað efnisgreina; að umbreyta aftur með Flæðandi texti lagar það yfirleitt hraðar en að sameina línur í höndunum.

Á skönnuðum síðum skaltu keyra stafsetningarpróf og gefa tölum sérstakan gaum, því stafsetningarprófið hunsar þær. OCR ruglar oft tölustafnum 0 við bókstafinn O, 1 við l og 5 við S, og í reikningi eða samningi skiptir einn rangur tölustafur meira máli en tíu innsláttarvillur. Ef heilar efnisgreinar eru afbakaðar skaltu athuga Tungumál skjals og umbreyta aftur áður en þú leiðréttir í höndunum. Þegar uppsetningin er óviðgerðarhæf skaltu afrita hreina textann í nýtt skjal byggt á þínu eigin sniðmáti; það er oft fljótlegra en að greiða úr textareitum.

Hver breytir er að rekja í öfuga átt skjal sem var einhvers staðar til í breytanlegu formi. Ef PDF-skráin kom frá samstarfsmanni, viðskiptavini eða þér sjálfri/sjálfum er upprunalega DOCX-skráin, Google-skjalið eða InDesign-skráin nær alltaf betri en nokkur umbreyting: stílar óskaddaðir, töflur raunverulegar, rakningar og athugasemdir varðveittar. Stuttur tölvupóstur þar sem beðið er um frumskrána getur sparað klukkutíma af lagfæringum og fólk lætur sér það sjaldan á móti skapi. Það forðast líka lúmskara vandamál: umbreytt skrá lítur út fyrir að vera fullbúin, svo smávillur úr umbreytingunni geta borist óséðar í næstu útgáfu.

Rétt er að spyrja fyrst um löng skjöl sem þú munt breyta mikið, sniðmát sem þú munt nota aftur, allt með flóknum töflum eða eyðublöðum og lagaleg eða fjárhagsleg skjöl þar sem einn mislesinn tölustafur er áhætta. Rétt er að umbreyta þegar frumskráin er horfin, þegar PDF-skráin er skönnun af pappír sem átti aldrei stafrænt frumrit, eða þegar þú þarft aðeins að ná út nokkrum efnisgreinum. Þá skilar PDF-breytirinn einnig hreinum texta, sem hentar betur til tilvitnana en fullsniðin Word-skrá.

Undirrituð eða vottuð PDF er sérstakt tilvik. Umbreyting í Word fjarlægir undirskriftina og gildi hennar, svo líttu á Word-skrána sem vinnuafrit eingöngu. Ef þú þarft að senda breytta útgáfu til baka skaltu gera breytingarnar í Word-afritinu, flytja það út í PDF aftur og láta undirrita það aftur; ekki leggja umbreyttu skrána fram sem undirritað frumrit. Það sama gildir um PDF-skrár með vottun eða opinberu innsigli: sjónræna merkið getur lifað af, en stafræna sönnunin ekki.