PDF naar Word converteren: 4 methoden, OCR en valkuilen

Adobe ontwikkelde PDF in 1993 zodat een document op elk apparaat hetzelfde wordt afgedrukt, en in 2008 werd het formaat de internationale norm ISO 32000-1. Om die belofte waar te maken is een PDF-pagina een lijst tekeninstructies: plaats deze tekens op deze coördinaten in dit lettertype, teken hier een lijn, zet daar een afbeelding. Een zin die op een tweede regel doorloopt, bestaat in het bestand uit twee losse stukjes tekst die toevallig onder elkaar staan. Nergens staat dat ze bij elkaar horen.

Een Word-document werkt omgekeerd. Een DOCX-bestand, vastgelegd in de Office Open XML-standaard (ECMA-376, later ISO/IEC 29500), bevat alinea's, stijlen, tabellen, sectie-einden en kop- en voetteksten, en Word bepaalt bij elke opmaak opnieuw waar een regel eindigt. Voegt u een woord toe, dan loopt de alinea opnieuw door. Wijzigt u de marge, het lettertype of het papierformaat, dan verschuift elke regel. Dat is precies wat u bij bewerken wilt, en precies wat een PDF nooit heeft vastgelegd, want een PDF is af op het moment dat hij wordt opgeslagen.

PDF naar Word converteren is dus reconstructie, geen uitpakken. De converter moet raden welke regels één alinea vormen, welke vette regel een kop is en geen korte vette zin, welke uitgelijnde woorden een tabel vormen en in welke volgorde twee kolommen gelezen moeten worden. Goede converters raden goed bij nette documenten en slecht bij drukke. Is de PDF met tags geëxporteerd (de structuurlaag voor toegankelijkheid), dan wordt er beter geraden, omdat koppen, lijsten en leesvolgorde daarin expliciet staan.

Er zijn twee heel verschillende soorten bestanden die allebei op .pdf eindigen. Een tekst-PDF is geëxporteerd uit Word, Google Docs, een boekhoudpakket of het afdrukvenster van een browser en bevat echte tekens die u kunt selecteren, kopiëren en doorzoeken. Een gescande PDF is gemaakt met een scanner, kopieerapparaat of telefoon-app en elke pagina is een foto van papier. Voor een converter bevat een gescande pagina helemaal geen woorden, alleen pixels, ook als de tekst op het scherm haarscherp lijkt. De bestandsnaam en het pictogram verraden niets; in een bestandsbeheerder zien beide soorten er hetzelfde uit.

Een gescande pagina moet eerst door optische tekenherkenning (OCR) voordat er iets bewerkbaars uit komt. OCR kijkt naar de vorm van letters en zet die om in tekst. De nauwkeurigheid hangt af van resolutie, contrast, scheefstand en taal. Een nette zwart-op-wit scan van 300 dpi wordt vrijwel perfect gelezen; een schuin genomen telefoonfoto onder een bureaulamp levert typefouten in elke alinea op. Converters zonder OCR geven u een leeg document of een Word-bestand waarin elke pagina als één afbeelding is geplakt.

Veel bestanden uit de praktijk zijn gemengd: een contract dat als tekst is geëxporteerd met achteraan een gescande pagina met handtekening, of een rapport met een bijlage van gescande bonnetjes. Een converter die elke pagina apart beoordeelt, pakt dit het best aan, omdat hij tekstpagina's direct uitleest en OCR alleen inzet waar het nodig is, waardoor de geëxporteerde pagina's tekengetrouw blijven. Scant u zelf, dan beschrijft de gids over documenten scannen naar PDF welke resolutie en verlichting OCR de beste kans geven.

Microsoft Word opent PDF's rechtstreeks sinds Word 2013, met een functie die Microsoft PDF Reflow noemt. Het is de logische keuze als Word al is geïnstalleerd en werkt goed bij eenvoudige brieven en rapporten. Het converteert één bestand per keer. Google Docs biedt een vergelijkbare route via Google Drive. De Google-helppagina over het omzetten van PDF's naar tekst raadt bestanden van 2 MB of kleiner aan en zegt dat lijsten, tabellen, kolommen, voetnoten en eindnoten waarschijnlijk niet worden herkend. Dat klopt met de praktijk: de woorden komen mee, de structuur vaak niet.

Adobe Acrobat Standard en Pro exporteren naar Word via de tool PDF exporteren en voeren automatisch tekstherkenning uit op gescande pagina's. Acrobat is een betaald abonnement en de gratis Acrobat Reader bevat de export niet. Een online converter zit daar tussenin: niets te installeren, werkt op elk besturingssysteem en biedt meestal keuze tussen doorlopende tekst en exacte opmaak. Op de pagina PDF naar Word leest Tekstherkenning (OCR) op Auto alleen de pagina's zonder tekstlaag en stelt Taal van het document het OCR-alfabet in voor scans die niet in het Engels zijn.

PDF Reflow van Word zit in het gewone venster Openen, waardoor veel mensen het nooit opmerken. Het werkt in Word 2013, 2016, 2019, 2021 en Microsoft 365 voor Windows. Word toont een melding dat de PDF wordt omgezet in een bewerkbaar document, dat dit even kan duren en dat het resultaat niet precies op het origineel hoeft te lijken, vooral bij veel afbeeldingen. Klik op OK en de geconverteerde kopie opent als nieuw, niet-opgeslagen document; de PDF zelf wordt nooit gewijzigd.

De eigen documentatie van Microsoft noemt elementen die mogelijk niet worden geconverteerd, waaronder voetnoten die over meer dan één pagina lopen, eindnoten, PDF-bladwijzers en opmerkingen, en lettertype-effecten zoals gloed of schaduw. In de praktijk maakt Word van zijbalken, citaten en tijdschriftpagina's met meerdere kolommen ook vaak zwevende tekstvakken, die er goed uitzien maar lastig te bewerken zijn. Word heeft bovendien geen instelling voor de taal van een scan, dus tekst met accenten of in een niet-Latijns alfabet op gescande pagina's is wisselvallig. Voor een brief van één pagina of een eenvoudig rapport is het vaak toch de snelste route, en het resultaat staat al in de editor die u gaat gebruiken.

Lopende tekst in één kolom met echte koppen wordt met elke tool goed geconverteerd: brieven, essays, contracten, de meeste rapporten. Vet, cursief, opsommingen en eenvoudige tabellen met zichtbare randen blijven meestal behouden. Afbeeldingen komen mee zolang de converter ze bewaart; bij de online route is dat de optie Afbeeldingen behouden, die voor DOCX standaard aan staat. Hyperlinks blijven doorgaans werken als het in de PDF echte links waren; blauwe onderstreepte tekst die nooit een link was, blijft gewone tekst. Hoe netter en conventioneler de oorspronkelijke opmaak, hoe minder u van de conversie merkt.

Het wordt lastig waar de paginaopmaak betekenis draagt. Tekst in twee kolommen kan dwars in plaats van naar beneden worden gelezen. Tabellen zonder lijnen zijn moeilijk te herkennen en komen soms aan als regels met tabs. Kop- en voetteksten en paginanummers staan op elke pagina als gewone tekst en belanden daardoor vaak midden in de lopende tekst, één keer per pagina. Invulbare formuliervelden worden platte tekst of gaan verloren. Ingesloten lettertypen die niet op uw computer staan, worden vervangen door de dichtstbijzijnde match, waardoor regellengtes veranderen. Voor documenten die vooral uit tabellen bestaan is een spreadsheet het betere doel; zie tabellen uit afbeeldingen en PDF's halen.

Neem voordat u iets bewerkt twee minuten om de conversie te controleren, want een structuurprobleem is aan het begin makkelijker te verhelpen dan nadat u de helft van de tekst hebt herschreven. Zet de PDF en het Word-bestand naast elkaar en scrol door beide. Let op ontbrekende alinea's bij paginagrenzen, kopteksten die in de lopende tekst staan en tabellen die losse regels zijn geworden. Staat bij zichtbare opmaaktekens aan het einde van elke regel een alineateken, dan hebt u een opmaak per regel gekregen in plaats van alinea's; opnieuw converteren met Doorlopende tekst lost dat meestal sneller op dan regels met de hand samenvoegen.

Voer bij gescande pagina's een spellingcontrole uit en let extra op cijfers, die spellingcontroles negeren. OCR verwart vaak het cijfer 0 met de letter O, 1 met l en 5 met S, en in een factuur of contract telt één fout cijfer zwaarder dan tien typefouten. Zijn hele alinea's onleesbaar, controleer dan de Taal van het document en converteer opnieuw voordat u met de hand corrigeert. Is de opmaak niet meer te redden, kopieer dan de schone tekst naar een nieuw document op basis van uw eigen sjabloon; dat gaat vaak sneller dan tekstvakken ontwarren.

Elke converter probeert een document te reconstrueren dat ergens al in bewerkbare vorm bestond. Komt de PDF van een collega, een klant of uzelf van vroeger, dan is het originele DOCX-, Google Docs- of InDesign-bestand bijna altijd beter dan elke conversie: stijlen intact, echte tabellen, wijzigingen en opmerkingen bewaard. Eén kort mailtje met de vraag om de bron kan een uur opruimen besparen, en mensen vinden dat zelden erg. Het voorkomt ook een subtieler probleem: een geconverteerd bestand ziet er af uit, waardoor kleine fouten uit de conversie ongemerkt in de volgende versie terechtkomen.

Eerst vragen is de juiste keuze bij lange documenten die u flink gaat bewerken, bij sjablonen die u hergebruikt, bij alles met complexe tabellen of formulieren en bij juridische of financiële documenten waar één verkeerd gelezen cijfer een risico is. Converteren is de juiste keuze als de bron weg is, als de PDF een scan is van papier dat nooit een digitaal origineel had, of als u maar een paar alinea's nodig hebt. In dat geval levert de PDF-converter ook platte tekst, die schoner is om uit te citeren dan een volledig opgemaakt Word-bestand.

Een ondertekende of gecertificeerde PDF is een bijzonder geval. Converteren naar Word verwijdert de handtekening en de geldigheid ervan, dus beschouw het Word-bestand alleen als werkkopie. Moet u een bewerkte versie terugsturen, pas dan de Word-kopie aan, exporteer die opnieuw naar PDF en laat hem opnieuw ondertekenen; presenteer het geconverteerde bestand niet als het ondertekende origineel. Hetzelfde geldt voor PDF's met een certificering of officieel zegel: het zichtbare kenmerk kan blijven, maar het digitale bewijs niet.