Slik konverterer du PDF til Word: 4 metoder og OCR

Adobe laget PDF i 1993 slik at et dokument skulle skrives ut likt på alle maskiner, og formatet ble den internasjonale standarden ISO 32000-1 i 2008. For å holde dette løftet er en PDF-side en liste med tegneinstruksjoner: plasser disse tegnene på disse koordinatene i denne fonten, tegn en linje her, legg et bilde der. En setning som brytes over på en ny linje, er rett og slett to urelaterte tekstbiter som tilfeldigvis står over hverandre. Ingenting i filen sier at de hører sammen.

Et Word-dokument fungerer motsatt. En DOCX-fil, definert av standarden Office Open XML (ECMA-376, senere ISO/IEC 29500), lagrer avsnitt, stiler, tabeller, seksjonsskift og topptekster, og Word avgjør hvor hver linje brytes hver gang siden settes opp. Når du legger til et ord, brytes avsnittet på nytt. Endrer du marg, font eller papirstørrelse, flytter hver linje seg. Det er nøyaktig det du vil når du redigerer, og nøyaktig det en PDF aldri har registrert, fordi en PDF var ferdig i det øyeblikket den ble lagret.

Å konvertere PDF til Word er derfor rekonstruksjon, ikke utpakking. Konverteren må gjette hvilke linjer som utgjør ett avsnitt, hvilken fet linje som er en overskrift og ikke bare en kort fet setning, hvilke justerte ord som danner en tabell, og i hvilken rekkefølge to kolonner skal leses. Gode konvertere gjetter godt på ryddige dokumenter og dårlig på travle. Hvis PDF-en ble eksportert med tagger (strukturlaget som brukes til tilgjengelighet), blir gjettingen bedre, fordi taggene eksplisitt registrerer overskrifter, lister og leserekkefølge.

Det finnes to svært ulike ting som begge ender på .pdf. En tekst-PDF er eksportert fra Word, Google Docs, et regnskapssystem eller utskriftsdialogen i en nettleser, og inneholder ekte tegn du kan markere, kopiere og søke i. En skannet PDF er laget av en skanner, en kopimaskin eller en mobilapp, og hver side er et fotografi av papir. For en konverter inneholder en skannet side ingen ord i det hele tatt, bare piksler, selv når teksten ser knivskarp ut på skjermen. Filnavnet og ikonet sier ingenting; de to typene ser like ut i filbehandleren.

En skannet side må gjennom tekstgjenkjenning (OCR) før noe redigerbart kan komme ut av den. OCR ser på formen til bokstavene og gjør dem om til tekst, og nøyaktigheten avhenger av oppløsning, kontrast, skjevhet og språk. En ren svart-på-hvitt-skanning på 300 dpi leses nesten perfekt; et mobilbilde tatt på skrå under en skrivebordslampe gir skrivefeil i hvert avsnitt. Konvertere uten OCR gir enten et tomt dokument eller en Word-fil der hver side er limt inn som ett bilde.

Mange filer i virkeligheten er blandede: en kontrakt eksportert som tekst med en signert signatursiden skannet på slutten, eller en rapport med et vedlegg av skannede kvitteringer. En konverter som sjekker hver side for seg, håndterer dette best, fordi den leser tekstsidene direkte og bruker OCR bare der det trengs, slik at de eksporterte sidene forblir tegnnøyaktige. Hvis du skanner selv, forklarer guiden om skanning av dokumenter til PDF hvilken oppløsning og belysning som gir OCR best forutsetninger.

Microsoft Word har åpnet PDF-er direkte siden Word 2013, med en funksjon Microsoft kaller PDF Reflow. Det er det åpenbare valget hvis Word allerede er installert, og det fungerer bra på enkle brev og rapporter. Den konverterer én fil om gangen. Google Docs tilbyr en lignende metode via Google Disk. Googles hjelpeside om å konvertere PDF-er til tekst anbefaler filer på 2 MB eller mindre og sier at lister, tabeller, kolonner, fotnoter og sluttnoter trolig ikke blir gjenkjent, noe som stemmer med erfaringen: ordene kommer med, strukturen gjør det ofte ikke.

Adobe Acrobat Standard og Pro eksporterer til Word via verktøyet Eksporter PDF og kjører tekstgjenkjenning på skannede sider automatisk. Acrobat er et betalt abonnement, og gratisprogrammet Acrobat Reader har ikke eksportfunksjonen. En nettleserkonverter ligger midt imellom: ingenting å installere, fungerer på alle operativsystemer, og gir som regel valg mellom flytende tekst og nøyaktig layout. På siden PDF til Word leser Tekstgjenkjenning (OCR) på Auto bare sidene uten tekstlag, og Dokumentspråk angir OCR-alfabetet for skanninger som ikke er på engelsk.

Words PDF Reflow ligger i den vanlige Åpne-dialogen, og derfor legger mange aldri merke til den. Den fungerer i Word 2013, 2016, 2019, 2021 og Microsoft 365 på Windows. Word viser en melding om at PDF-en vil bli konvertert til et redigerbart dokument, at det kan ta litt tid, og at resultatet kanskje ikke ser helt ut som originalen, særlig hvis filen har mye grafikk. Klikk OK, så åpnes den konverterte kopien som et nytt, ulagret dokument; selve PDF-en endres aldri.

Microsofts egen dokumentasjon lister elementer som kanskje ikke konverteres, blant annet fotnoter som går over mer enn én side, sluttnoter, PDF-bokmerker og kommentarer, og fonteffekter som glød eller skygge. I praksis pleier Word også å gjøre sidefelt, utdragssitater og magasinsider med flere kolonner om til flytende tekstbokser, som ser riktige ut, men er slitsomme å redigere. Word har heller ingen innstilling for språket i en skanning, så aksenttegn eller ikke-latinsk tekst på skannede sider er hit og dit. For et brev på én side eller en enkel rapport er det likevel ofte den raskeste veien, og resultatet ligger allerede i redigeringsprogrammet du skal bruke.

Brødtekst i én kolonne med ekte overskrifter konverteres bra med alle verktøy: brev, essays, kontrakter, de fleste rapporter. Fet og kursiv skrift, punktlister og enkle tabeller med synlige rammer overlever som regel. Bilder kommer med så lenge konverteren beholder dem, noe som på nettleserløsningen er valget Behold bilder, slått på som standard for DOCX. Hyperlenker overlever vanligvis når de var ekte lenker i PDF-en; blå understreket tekst som aldri var en lenke, forblir vanlig tekst. Jo ryddigere og mer konvensjonell originalen er, desto mindre merker du konverteringen.

Problemene begynner der sideoppsettet bærer mening. Tekst i to kolonner kan bli lest på tvers i stedet for nedover. Tabeller uten skillelinjer er vanskelige å gjenkjenne og kan komme som linjer adskilt med tabulator. Topptekster, bunntekster og sidetall tegnes på hver side som vanlig tekst, så de havner ofte midt i brødteksten, én gang per side. Utfyllbare skjemafelt flates ut til vanlig tekst eller går tapt. Innebygde fonter som ikke finnes på datamaskinen din, byttes ut med nærmeste treff, noe som endrer linjelengdene. For dokumenter som for det meste er tabeller, er et regneark det beste målet; se hente ut tabeller fra bilder og PDF-er.

Bruk to minutter på å kontrollere konverteringen før du redigerer noe, for et strukturelt problem er lettere å rette i starten enn etter at du har skrevet om halve teksten. Legg PDF-en og Word-filen side om side og bla gjennom begge. Se etter manglende avsnitt ved sideskift, topptekster som gjentas i brødteksten og tabeller som ble til løse linjer. Med formateringstegn på betyr et avsnittsmerke på slutten av hver linje at du fikk en linje-for-linje-layout i stedet for avsnitt; å konvertere på nytt med Flytende tekst løser det som regel raskere enn å slå sammen linjer for hånd.

For skannede sider bør du kjøre en stavekontroll og være ekstra nøye med tall, som stavekontroller ignorerer. OCR forveksler ofte sifferet 0 med bokstaven O, 1 med l og 5 med S, og i en faktura eller kontrakt betyr ett feil siffer mer enn ti skrivefeil. Hvis hele avsnitt er uleselige, sjekk Dokumentspråk og konverter på nytt før du retter for hånd. Når layouten er håpløs, kopier den rene teksten inn i et nytt dokument basert på din egen mal; det går ofte raskere enn å rydde i tekstbokser.

Hver konverter reverserer et dokument som allerede fantes i redigerbar form et sted. Hvis PDF-en kom fra en kollega, en kunde eller ditt eget tidligere jeg, er den opprinnelige DOCX-, Google Docs- eller InDesign-filen nesten alltid bedre enn enhver konvertering: stilene intakte, tabellene ekte, sporede endringer og kommentarer bevart. En kort e-post der du ber om kilden, kan spare deg for en times opprydding, og folk har sjelden noe imot det. Det unngår også et mer subtilt problem: en konvertert fil ser ferdig ut, så små feil fra konverteringen kan følge med inn i neste versjon uten at noen merker det.

Å spørre først er riktig for lange dokumenter du skal redigere mye, for maler du skal gjenbruke, for alt med komplekse tabeller eller skjemaer, og for juridiske eller økonomiske dokumenter der ett feillest siffer er en risiko. Å konvertere er riktig når kilden er borte, når PDF-en er en skanning av papir som aldri hadde en digital original, eller når du bare trenger noen få avsnitt. Da lager PDF-konverteren også ren tekst, som er bedre til sitering enn en fullformatert Word-fil.

En signert eller sertifisert PDF er et spesialtilfelle. Når den konverteres til Word, fjernes signaturen og gyldigheten, så behandle Word-filen bare som en arbeidskopi. Hvis du må sende tilbake en redigert versjon, gjør endringene i Word-kopien, eksporter den til PDF igjen og få den signert på nytt; ikke presenter den konverterte filen som den signerte originalen. Det samme gjelder PDF-er med en sertifisering eller et offisielt segl: det visuelle merket kan overleve, men det digitale beviset gjør det ikke.