Convertire PDF in Word: 4 metodi, OCR e cosa si perde

Adobe ha ideato il PDF nel 1993 perché un documento si stampasse allo stesso modo su qualsiasi computer, e nel 2008 il formato è diventato lo standard internazionale ISO 32000-1. Per mantenere questa promessa, una pagina PDF è un elenco di istruzioni di disegno: posiziona questi glifi a queste coordinate con questo font, traccia una linea qui, inserisci un'immagine lì. Una frase che va a capo su una seconda riga è semplicemente composta da due porzioni di testo indipendenti, una sopra l'altra. Nel file nulla indica che appartengano allo stesso paragrafo.

Un documento Word funziona al contrario. Un file DOCX, definito dallo standard Office Open XML (ECMA-376, poi ISO/IEC 29500), memorizza paragrafi, stili, tabelle, interruzioni di sezione e intestazioni, e Word decide dove va a capo ogni riga a ogni impaginazione. Aggiungendo una parola, il paragrafo si riorganizza. Se si cambiano margine, font o formato della carta, ogni riga si sposta. È esattamente ciò che serve quando si modifica un testo, ed è esattamente ciò che un PDF non ha mai registrato, perché un PDF è concluso nel momento in cui viene salvato.

Convertire un PDF in Word è quindi una ricostruzione, non un'estrazione. Il convertitore deve indovinare quali righe formano un paragrafo, quale riga in grassetto è un titolo e non una breve frase in grassetto, quali parole allineate formano una tabella e in che ordine leggere due colonne. I buoni convertitori indovinano bene sui documenti puliti e male su quelli complessi. Se il PDF è stato esportato con i tag (il livello di struttura usato per l'accessibilità), i risultati migliorano, perché i tag registrano esplicitamente titoli, elenchi e ordine di lettura.

Esistono due cose molto diverse che finiscono entrambe in .pdf. Un PDF di testo è stato esportato da Word, Google Docs, un gestionale o dalla finestra di stampa di un browser, e contiene caratteri veri che si possono selezionare, copiare e cercare. Un PDF scansionato è stato creato da uno scanner, una fotocopiatrice o un'app per smartphone, e ogni pagina è la fotografia di un foglio. Per un convertitore, una pagina scansionata non contiene alcuna parola, solo pixel, anche quando il testo appare nitidissimo a schermo. Il nome del file e l'icona non dicono nulla: i due tipi sono identici in Esplora file.

Una pagina scansionata deve passare dal riconoscimento ottico dei caratteri (OCR) prima di poter produrre qualcosa di modificabile. L'OCR analizza la forma delle lettere e le trasforma in testo, e la sua precisione dipende da risoluzione, contrasto, inclinazione e lingua. Una scansione pulita a 300 dpi in nero su bianco viene letta quasi alla perfezione; una foto scattata col telefono in obliquo sotto una lampada da scrivania produce refusi in ogni paragrafo. I convertitori senza OCR restituiscono un documento vuoto oppure un file Word con ogni pagina incollata come un'unica immagine.

Molti file reali sono misti: un contratto esportato come testo con la pagina della firma scansionata in fondo, o una relazione con un'appendice di scontrini scansionati. Un convertitore che controlla ogni pagina separatamente li gestisce meglio, perché legge direttamente le pagine di testo e usa l'OCR solo dove serve, così le pagine esportate restano perfette nei caratteri. Se le scansioni si realizzano in proprio, la guida su come scansionare documenti in PDF spiega risoluzione e illuminazione che offrono all'OCR le migliori possibilità.

Microsoft Word apre direttamente i PDF dalla versione 2013, con una funzione che Microsoft chiama PDF Reflow. È la scelta ovvia se Word è già installato e funziona bene con lettere e relazioni semplici. Converte un file alla volta. Google Docs offre un percorso simile tramite Google Drive. La pagina di aiuto di Google sulla conversione dei PDF in testo consiglia file di 2 MB o meno e avverte che elenchi, tabelle, colonne, note a piè di pagina e note di chiusura probabilmente non vengono rilevati, come si vede in pratica: le parole arrivano, la struttura spesso no.

Adobe Acrobat Standard e Pro esportano in Word con lo strumento Esporta PDF ed eseguono automaticamente il riconoscimento del testo sulle pagine scansionate. Acrobat è un abbonamento a pagamento, e Acrobat Reader gratuito non include l'esportazione. Un convertitore nel browser sta a metà strada: nulla da installare, funziona su qualsiasi sistema operativo e di solito permette di scegliere tra testo scorrevole e impaginazione esatta. Nella pagina PDF in Word, Riconoscimento del testo (OCR) su Auto legge solo le pagine senza livello di testo, e Lingua del documento imposta l'alfabeto dell'OCR per le scansioni non in inglese.

Il PDF Reflow di Word si trova nella normale finestra Apri, ed è per questo che molti non lo notano. Funziona in Word 2013, 2016, 2019, 2021 e Microsoft 365 su Windows. Word mostra un avviso: il PDF verrà convertito in un documento modificabile, l'operazione può richiedere tempo e il risultato potrebbe non essere identico all'originale, soprattutto se il file contiene molti elementi grafici. Dopo aver fatto clic su OK, la copia convertita si apre come nuovo documento non salvato; il PDF in sé non viene mai modificato.

La documentazione di Microsoft elenca gli elementi che potrebbero non essere convertiti, tra cui note a piè di pagina che occupano più di una pagina, note di chiusura, segnalibri e commenti del PDF, ed effetti dei caratteri come bagliore o ombra. In pratica Word tende anche a trasformare barre laterali, citazioni evidenziate e pagine di riviste a più colonne in caselle di testo mobili, che sembrano corrette ma sono scomode da modificare. Word non ha inoltre alcuna impostazione per la lingua di una scansione, quindi il testo con accenti o in alfabeti non latini sulle pagine scansionate dà risultati incerti. Per una lettera di una pagina o una relazione semplice, però, è spesso la via più rapida, e il risultato è già nell'editor che si userà.

Il testo a colonna singola con titoli veri si converte bene con qualsiasi strumento: lettere, saggi, contratti, la maggior parte delle relazioni. Grassetto, corsivo, elenchi puntati e tabelle semplici con bordi visibili di solito si conservano. Le immagini arrivano finché il convertitore le mantiene, e nel convertitore nel browser è l'opzione Mantieni immagini, attiva per impostazione predefinita per il DOCX. I collegamenti ipertestuali in genere si conservano se nel PDF erano link veri; il testo blu sottolineato che non era un link resta testo semplice. Più l'impaginazione originale è pulita e convenzionale, meno si nota la conversione.

I problemi iniziano dove l'impaginazione ha un significato. Il testo su due colonne può essere letto in orizzontale invece che dall'alto in basso. Le tabelle senza linee sono difficili da rilevare e possono arrivare come righe separate da tabulazioni. Intestazioni, piè di pagina e numeri di pagina sono disegnati su ogni pagina come normale testo, quindi spesso finiscono in mezzo al corpo del testo, una volta per pagina. I campi dei moduli compilabili vengono appiattiti in testo semplice o persi. I font incorporati non presenti sul computer vengono sostituiti con il più simile, e questo cambia la lunghezza delle righe. Per i documenti composti soprattutto da tabelle, un foglio di calcolo è la destinazione migliore; vedere estrarre tabelle da immagini e PDF.

Prima di modificare qualsiasi cosa, conviene dedicare due minuti al controllo della conversione, perché un problema di struttura si risolve più facilmente all'inizio che dopo aver riscritto metà del testo. Affiancare il PDF e il file Word e scorrerli entrambi. Cercare paragrafi mancanti ai limiti di pagina, intestazioni ripetute nel corpo del testo e tabelle trasformate in righe sparse. Con i segni di formattazione attivi, un segno di paragrafo alla fine di ogni riga significa che si è ottenuta un'impaginazione riga per riga invece di paragrafi; convertire di nuovo con Testo scorrevole di solito risolve più in fretta che unire le righe a mano.

Per le pagine scansionate, eseguire il controllo ortografico e prestare particolare attenzione ai numeri, che i correttori ignorano. L'OCR confonde spesso la cifra 0 con la lettera O, 1 con l e 5 con S, e in una fattura o in un contratto una sola cifra sbagliata pesa più di dieci refusi. Se interi paragrafi sono illeggibili, controllare Lingua del documento e convertire di nuovo prima di correggere a mano. Quando l'impaginazione è irrecuperabile, copiare il testo pulito in un nuovo documento basato su un proprio modello; spesso è più veloce che districare le caselle di testo.

Ogni convertitore ricostruisce a ritroso un documento che esisteva già da qualche parte in forma modificabile. Se il PDF arriva da un collega, da un cliente o da sé stessi in passato, il DOCX, il documento Google o il file InDesign originale è quasi sempre meglio di qualsiasi conversione: stili intatti, tabelle vere, revisioni e commenti conservati. Una breve email per chiedere il file sorgente può far risparmiare un'ora di pulizia, e di solito nessuno si oppone. Evita anche un problema più sottile: un file convertito sembra finito, quindi i piccoli errori introdotti dalla conversione possono passare inosservati alla versione successiva.

Chiedere prima è la scelta giusta per i documenti lunghi che verranno modificati a fondo, per i modelli da riutilizzare, per tutto ciò che contiene tabelle o moduli complessi e per i documenti legali o finanziari in cui una sola cifra letta male è un rischio. Convertire è la scelta giusta quando il sorgente è perso, quando il PDF è la scansione di un foglio che non ha mai avuto un originale digitale, o quando servono solo alcuni paragrafi. In tal caso il convertitore PDF produce anche testo semplice, più pulito da citare di un file Word completamente formattato.

Un PDF firmato o certificato è un caso particolare. Convertirlo in Word elimina la firma e la sua validità, quindi il file Word va considerato solo una copia di lavoro. Se serve inviare indietro una versione modificata, apportare le modifiche alla copia Word, esportarla di nuovo in PDF e farla firmare di nuovo; non presentare il file convertito come originale firmato. Lo stesso vale per i PDF con certificazione o sigillo ufficiale: il segno visivo può sopravvivere, ma la sua prova digitale no.