Cara Tukar PDF ke Word: 4 Kaedah, OCR dan Masalah Biasa

Adobe mereka bentuk PDF pada tahun 1993 supaya dokumen tercetak sama di mana-mana mesin, dan format ini menjadi piawaian antarabangsa ISO 32000-1 pada 2008. Untuk menepati janji itu, halaman PDF ialah senarai arahan lukisan: letakkan glif ini pada koordinat ini dengan fon ini, lukis garisan di sini, letakkan imej di sana. Ayat yang bersambung ke baris kedua hanyalah dua larian teks yang tidak berkaitan dan kebetulan terletak satu di atas yang lain. Tiada apa-apa dalam fail yang menyatakan kedua-duanya berkaitan.

Dokumen Word berfungsi sebaliknya. Fail DOCX, yang ditakrifkan oleh piawaian Office Open XML (ECMA-376, kemudian ISO/IEC 29500), menyimpan perenggan, gaya, jadual, pemisah seksyen dan pengepala, dan Word menentukan di mana setiap baris putus setiap kali ia menyusun halaman. Apabila anda menambah perkataan, perenggan disusun semula. Ubah jidar, fon atau saiz kertas dan setiap baris berubah. Tingkah laku itu tepat seperti yang anda mahu semasa menyunting, dan tepat apa yang tidak pernah direkodkan PDF, kerana PDF sudah siap sebaik sahaja disimpan.

Jadi menukar PDF ke Word ialah pembinaan semula, bukan membuka bungkusan. Penukar perlu meneka baris mana membentuk satu perenggan, baris tebal mana ialah tajuk dan bukan ayat pendek bercetak tebal, perkataan sejajar mana membentuk jadual, dan urutan bacaan dua lajur. Penukar yang baik meneka dengan tepat pada dokumen bersih dan kurang tepat pada dokumen yang padat. Jika PDF dieksport dengan tag (lapisan struktur untuk kebolehcapaian), tekaan lebih baik kerana tag merekodkan tajuk, senarai dan urutan bacaan secara jelas.

Ada dua jenis yang sangat berbeza yang kedua-duanya berakhir dengan .pdf. PDF teks dieksport daripada Word, Google Docs, sistem perakaunan atau dialog cetak pelayar, dan mengandungi aksara sebenar yang boleh dipilih, disalin dan dicari. PDF imbasan dihasilkan oleh pengimbas, mesin fotostat atau aplikasi telefon, dan setiap halaman ialah gambar kertas. Bagi penukar, halaman imbasan tidak mengandungi perkataan langsung, hanya piksel, walaupun teksnya kelihatan jelas pada skrin. Nama fail dan ikon tidak memberitahu apa-apa; kedua-dua jenis kelihatan serupa dalam pengurus fail.

Halaman imbasan perlu melalui pengecaman aksara optik (OCR) sebelum apa-apa yang boleh disunting dapat dihasilkan. OCR melihat bentuk huruf dan menukarnya kepada teks, dan ketepatannya bergantung pada resolusi, kontras, kemiringan dan bahasa. Imbasan hitam atas putih 300 dpi yang bersih dibaca hampir sempurna; foto telefon yang diambil dari sudut di bawah lampu meja menghasilkan kesalahan taip dalam setiap perenggan. Penukar tanpa OCR sama ada memberi dokumen kosong atau fail Word dengan setiap halaman ditampal sebagai satu gambar.

Banyak fail sebenar bercampur: kontrak yang dieksport sebagai teks dengan halaman tandatangan yang diimbas di hujung, atau laporan dengan lampiran resit imbasan. Penukar yang menyemak setiap halaman secara berasingan mengendalikannya dengan terbaik, kerana ia membaca halaman teks terus dan menggunakan OCR hanya di tempat yang perlu, jadi halaman yang dieksport kekal tepat setiap aksara. Jika anda mengimbas sendiri, panduan tentang mengimbas dokumen ke PDF merangkumi resolusi dan pencahayaan yang memberi OCR peluang terbaik.

Microsoft Word boleh membuka PDF terus sejak Word 2013, menggunakan ciri yang dipanggil Microsoft PDF Reflow. Ia pilihan jelas jika Word sudah dipasang, dan berfungsi baik pada surat dan laporan biasa. Ia menukar satu fail pada satu masa. Google Docs menawarkan kaedah serupa melalui Google Drive. Halaman bantuan Google tentang menukar PDF kepada teks mengesyorkan fail 2 MB atau lebih kecil dan menyatakan senarai, jadual, lajur, nota kaki dan nota hujung tidak mungkin dikesan, sepadan dengan keadaan sebenar: perkataan terhasil, strukturnya selalunya tidak.

Adobe Acrobat Standard dan Pro mengeksport ke Word melalui alat Export PDF dan menjalankan pengecaman teks pada halaman imbasan secara automatik. Acrobat ialah langganan berbayar, dan Acrobat Reader percuma tidak menyertakan eksport. Penukar pelayar berada di antara kedua-duanya: tiada pemasangan, berfungsi pada mana-mana sistem pengendalian, dan biasanya menawarkan pilihan antara teks mengalir dan susun atur tepat. Pada halaman PDF ke Word, Pengecaman teks (OCR) pada Auto hanya membaca halaman tanpa lapisan teks, dan Bahasa dokumen menetapkan abjad OCR untuk imbasan yang bukan dalam bahasa Inggeris.

PDF Reflow Word terdapat dalam dialog Open biasa, sebab itu ramai tidak menyedarinya. Ia berfungsi dalam Word 2013, 2016, 2019, 2021 dan Microsoft 365 pada Windows. Word memaparkan notis bahawa ia akan menukar PDF kepada dokumen boleh sunting, ini mungkin mengambil masa, dan hasilnya mungkin tidak serupa dengan asal, terutamanya jika fail mempunyai banyak grafik. Klik OK dan salinan yang ditukar dibuka sebagai dokumen baharu yang belum disimpan; PDF itu sendiri tidak pernah diubah.

Dokumentasi Microsoft sendiri menyenaraikan elemen yang mungkin tidak ditukar, termasuk nota kaki yang merentasi lebih satu halaman, nota hujung, penanda buku dan komen PDF, serta kesan fon seperti cahaya atau bayang. Dalam praktiknya, Word juga cenderung menjadikan bar sisi, petikan timbul dan halaman majalah berbilang lajur sebagai kotak teks terapung, yang nampak betul tetapi meletihkan untuk disunting. Word juga tiada tetapan bahasa untuk imbasan, jadi teks beraksen atau bukan Latin pada halaman imbasan tidak menentu. Namun untuk surat satu halaman atau laporan biasa, ia selalunya kaedah paling pantas, dan hasilnya sudah berada dalam penyunting yang akan anda gunakan.

Teks badan satu lajur dengan tajuk sebenar ditukar dengan baik oleh mana-mana alat: surat, esei, kontrak, kebanyakan laporan. Teks tebal, condong, senarai berpeluru dan jadual ringkas dengan sempadan kelihatan biasanya kekal. Imej turut terhasil selagi penukar mengekalkannya, iaitu pilihan Kekalkan imej pada kaedah pelayar, yang dihidupkan secara lalai untuk DOCX. Pautan hiperteks biasanya kekal jika ia pautan sebenar dalam PDF; teks biru bergaris bawah yang bukan pautan kekal sebagai teks biasa. Semakin bersih dan konvensional susun atur asal, semakin kurang penukaran itu disedari.

Masalah bermula apabila susun atur halaman membawa makna. Teks dua lajur boleh dibaca melintang dan bukan menurun. Jadual tanpa garis sukar dikesan dan mungkin terhasil sebagai baris dipisahkan tab. Pengepala, pengaki dan nombor halaman dilukis pada setiap halaman sebagai teks biasa, jadi sering terletak di tengah badan teks, sekali bagi setiap halaman. Medan borang boleh isi diratakan menjadi teks biasa atau hilang. Fon terbenam yang tiada pada komputer anda diganti dengan padanan terdekat, yang mengubah panjang baris. Untuk dokumen yang kebanyakannya jadual, hamparan ialah sasaran yang lebih baik; lihat mengekstrak jadual daripada imej dan PDF.

Sebelum menyunting apa-apa, luangkan dua minit menyemak penukaran, kerana masalah struktur lebih mudah dibetulkan di awal berbanding selepas anda menulis semula separuh teks. Letakkan PDF dan fail Word bersebelahan dan tatal kedua-duanya. Cari perenggan yang hilang pada sempadan halaman, pengepala yang berulang dalam badan dan jadual yang menjadi baris bertaburan. Dengan tanda pemformatan dihidupkan, tanda perenggan di hujung setiap baris bermakna anda mendapat susun atur baris demi baris dan bukan perenggan; menukar semula dengan Teks mengalir biasanya membetulkannya lebih cepat daripada menyambung baris secara manual.

Untuk halaman imbasan, jalankan semakan ejaan dan beri perhatian lebih pada nombor, yang diabaikan oleh penyemak ejaan. OCR lazimnya mengelirukan digit 0 dengan huruf O, 1 dengan l, dan 5 dengan S, dan dalam invois atau kontrak satu digit yang salah lebih penting daripada sepuluh kesalahan taip. Jika seluruh perenggan bercelaru, semak Bahasa dokumen dan tukar semula sebelum membetulkan secara manual. Apabila susun atur tidak dapat dibaiki, salin teks bersih ke dokumen baharu berdasarkan templat anda sendiri; ia selalunya lebih cepat daripada menguraikan kotak teks.

Setiap penukar sedang merekayasa balik dokumen yang sudah wujud dalam bentuk boleh sunting di suatu tempat. Jika PDF datang daripada rakan sekerja, pelanggan atau diri anda sendiri dahulu, fail DOCX, Google Doc atau InDesign asal hampir selalu lebih baik daripada sebarang penukaran: gaya utuh, jadual sebenar, perubahan yang dijejak dan komen terpelihara. Satu e-mel ringkas meminta fail sumber boleh menjimatkan sejam pembersihan, dan orang jarang keberatan. Ia juga mengelakkan masalah yang lebih halus: fail yang ditukar kelihatan siap, jadi ralat kecil daripada penukaran boleh terbawa ke versi seterusnya tanpa disedari.

Bertanya dahulu ialah pilihan yang tepat untuk dokumen panjang yang akan anda sunting banyak, templat yang akan digunakan semula, apa-apa dengan jadual atau borang rumit, dan dokumen undang-undang atau kewangan yang satu digit tersalah baca menjadi risiko. Menukar ialah pilihan yang tepat apabila sumber sudah hilang, apabila PDF ialah imbasan kertas yang tiada asal digital, atau apabila anda hanya perlu mengambil beberapa perenggan. Dalam kes itu, penukar PDF juga menghasilkan teks biasa, yang lebih bersih untuk dipetik berbanding fail Word berformat penuh.

PDF bertandatangan atau bersijil ialah kes khas. Menukarnya ke Word menghilangkan tandatangan dan kesahihannya, jadi anggap fail Word sebagai salinan kerja sahaja. Jika anda perlu menghantar versi yang disunting, buat perubahan pada salinan Word, eksport semula ke PDF dan minta ditandatangani semula; jangan kemukakan fail yang ditukar sebagai asal bertandatangan. Perkara sama terpakai pada PDF dengan pensijilan atau meterai rasmi: tanda visual mungkin kekal, tetapi bukti digitalnya tidak.