Jak zamienić PDF na Word: 4 metody, OCR i co się psuje

Adobe zaprojektowało PDF w 1993 roku, aby dokument drukował się tak samo na każdym komputerze, a w 2008 roku format stał się międzynarodową normą ISO 32000-1. Aby dotrzymać tej obietnicy, strona PDF jest listą instrukcji rysowania: umieść te znaki w tych współrzędnych tą czcionką, narysuj tu linię, wstaw tam obraz. Zdanie zawinięte do drugiego wiersza to po prostu dwa niezwiązane fragmenty tekstu, które leżą jeden pod drugim. Nic w pliku nie mówi, że należą do siebie.

Dokument Worda działa odwrotnie. Plik DOCX, opisany standardem Office Open XML (ECMA-376, później ISO/IEC 29500), przechowuje akapity, style, tabele, podziały sekcji i nagłówki, a Word za każdym razem sam decyduje, gdzie złamać wiersz. Gdy dodasz słowo, akapit się przelewa. Zmiana marginesu, czcionki lub formatu papieru przesuwa każdy wiersz. Tego właśnie oczekujesz przy edycji i właśnie tego PDF nigdy nie zapisał, bo był gotowy w chwili zapisu.

Konwersja PDF do Worda to więc rekonstrukcja, a nie rozpakowanie. Konwerter musi zgadnąć, które wiersze tworzą jeden akapit, która pogrubiona linia jest nagłówkiem, a nie krótkim pogrubionym zdaniem, które wyrównane słowa tworzą tabelę i w jakiej kolejności czytać dwie kolumny. Dobre konwertery trafnie zgadują przy czystych dokumentach, a gorzej przy gęstych. Jeśli PDF wyeksportowano ze znacznikami (warstwą struktury używaną w dostępności), wyniki są lepsze, bo znaczniki wprost opisują nagłówki, listy i kolejność czytania.

Są dwie bardzo różne rzeczy, które kończą się na .pdf. PDF z tekstem został wyeksportowany z Worda, Dokumentów Google, systemu księgowego lub okna drukowania w przeglądarce i zawiera prawdziwe znaki, które można zaznaczać, kopiować i przeszukiwać. Zeskanowany PDF powstał w skanerze, kopiarce lub aplikacji w telefonie, a każda strona to fotografia kartki. Dla konwertera zeskanowana strona nie zawiera żadnych słów, tylko piksele, nawet jeśli tekst na ekranie wygląda idealnie ostro. Nazwa pliku ani ikona nic nie mówią; oba rodzaje wyglądają tak samo w menedżerze plików.

Zeskanowana strona musi przejść rozpoznawanie tekstu (OCR), zanim powstanie z niej cokolwiek edytowalnego. OCR analizuje kształty liter i zamienia je w tekst, a jego dokładność zależy od rozdzielczości, kontrastu, przekrzywienia i języka. Czysty skan 300 dpi, czarne na białym, jest czytany niemal bezbłędnie; zdjęcie z telefonu zrobione pod kątem przy lampce biurkowej daje literówki w każdym akapicie. Konwertery bez OCR zwracają pusty dokument albo plik Worda, w którym każda strona jest wklejona jako jeden obraz.

Wiele prawdziwych plików jest mieszanych: umowa wyeksportowana jako tekst z zeskanowaną stroną z podpisem na końcu albo raport z załącznikiem ze zeskanowanymi paragonami. Najlepiej radzi sobie konwerter, który sprawdza każdą stronę osobno, bo czyta strony z tekstem bezpośrednio, a OCR stosuje tylko tam, gdzie trzeba, więc wyeksportowane strony zachowują znaki bez błędów. Jeśli sam wykonujesz skany, poradnik skanowanie dokumentów do PDF opisuje rozdzielczość i oświetlenie, które dają OCR największe szanse.

Microsoft Word otwiera pliki PDF bezpośrednio od wersji 2013, używając funkcji, którą Microsoft nazywa PDF Reflow. To oczywisty wybór, jeśli Word jest już zainstalowany, i dobrze radzi sobie z prostymi listami i raportami. Konwertuje jeden plik naraz. Dokumenty Google oferują podobną drogę przez Dysk Google. Strona pomocy Google o konwersji PDF na tekst zaleca pliki do 2 MB i informuje, że listy, tabele, kolumny, przypisy dolne i końcowe prawdopodobnie nie zostaną wykryte, co zgadza się z praktyką: słowa przechodzą, struktura często nie.

Adobe Acrobat Standard i Pro eksportują do Worda przez narzędzie Eksportuj plik PDF i automatycznie uruchamiają rozpoznawanie tekstu na zeskanowanych stronach. Acrobat to płatna subskrypcja, a darmowy Acrobat Reader nie zawiera eksportu. Konwerter w przeglądarce leży pomiędzy: nic nie trzeba instalować, działa w każdym systemie i zwykle daje wybór między płynnym tekstem a dokładnym układem. Na stronie PDF na Word opcja Rozpoznawanie tekstu (OCR) ustawiona na Auto czyta tylko strony bez warstwy tekstu, a Język dokumentu ustawia alfabet OCR dla skanów nie po angielsku.

PDF Reflow w Wordzie ukrywa się w zwykłym oknie Otwórz, dlatego wiele osób go nie zauważa. Działa w Wordzie 2013, 2016, 2019, 2021 i Microsoft 365 w systemie Windows. Word wyświetla komunikat, że zamieni PDF na edytowalny dokument, że może to chwilę potrwać i że wynik może nie wyglądać dokładnie jak oryginał, zwłaszcza jeśli plik ma wiele grafik. Kliknij OK, a przekonwertowana kopia otworzy się jako nowy, niezapisany dokument; sam PDF nigdy nie jest zmieniany.

Dokumentacja Microsoftu wymienia elementy, które mogą się nie przekonwertować, w tym przypisy obejmujące więcej niż jedną stronę, przypisy końcowe, zakładki i komentarze PDF oraz efekty czcionek, takie jak poświata lub cień. W praktyce Word zamienia też paski boczne, cytaty wyróżnione i wielokolumnowe strony magazynów w pływające pola tekstowe, które wyglądają dobrze, ale męcząco się edytuje. Word nie ma też ustawienia języka skanu, więc tekst z akcentami lub w innych alfabetach na zeskanowanych stronach rozpoznaje różnie. Przy jednostronicowym liście lub prostym raporcie to jednak często najszybsza droga, a wynik od razu jest w edytorze, z którego skorzystasz.

Tekst w jednej kolumnie z prawdziwymi nagłówkami dobrze się konwertuje każdym narzędziem: listy, eseje, umowy, większość raportów. Pogrubienie, kursywa, listy punktowane i proste tabele z widocznymi obramowaniami zwykle przetrwają. Obrazy przechodzą, jeśli konwerter je zachowuje, co w przeglądarce oznacza opcję Zachowaj obrazy, domyślnie włączoną dla DOCX. Hiperłącza zwykle przetrwają, jeśli były prawdziwymi linkami w PDF; niebieski podkreślony tekst, który nigdy nie był linkiem, pozostaje zwykłym tekstem. Im czystszy i bardziej konwencjonalny układ oryginału, tym mniej zauważysz konwersję.

Kłopoty zaczynają się tam, gdzie układ strony niesie znaczenie. Tekst w dwóch kolumnach może być czytany w poprzek zamiast w dół. Tabele bez linii są trudne do wykrycia i mogą trafić jako wiersze rozdzielone tabulatorami. Nagłówki, stopki i numery stron są rysowane na każdej stronie jak zwykły tekst, więc często lądują w środku treści, raz na stronę. Pola formularzy do wypełnienia są spłaszczane do zwykłego tekstu lub tracone. Osadzone czcionki, których nie ma na komputerze, są zastępowane najbliższymi, co zmienia długość wierszy. Dla dokumentów głównie z tabel lepszym celem jest arkusz kalkulacyjny; zobacz wyodrębnianie tabel ze zdjęć i PDF-ów.

Zanim zaczniesz cokolwiek edytować, poświęć dwie minuty na sprawdzenie konwersji, bo problem ze strukturą łatwiej naprawić na początku niż po przepisaniu połowy tekstu. Połóż PDF i plik Worda obok siebie i przewiń oba. Szukaj brakujących akapitów na granicach stron, nagłówków powtórzonych w treści i tabel, które zmieniły się w luźne wiersze. Przy włączonych znacznikach formatowania znak akapitu na końcu każdego wiersza oznacza układ wiersz po wierszu zamiast akapitów; ponowna konwersja z opcją Płynny tekst zwykle naprawia to szybciej niż ręczne łączenie wierszy.

W zeskanowanych stronach uruchom sprawdzanie pisowni i zwróć szczególną uwagę na liczby, które sprawdzanie pisowni pomija. OCR często myli cyfrę 0 z literą O, 1 z l, a 5 z S, a w fakturze lub umowie jedna błędna cyfra znaczy więcej niż dziesięć literówek. Jeśli całe akapity są zniekształcone, sprawdź Język dokumentu i skonwertuj ponownie, zanim zaczniesz poprawiać ręcznie. Gdy układu nie da się uratować, skopiuj czysty tekst do nowego dokumentu opartego na własnym szablonie; to często szybsze niż rozplątywanie pól tekstowych.

Każdy konwerter odtwarza dokument, który gdzieś wcześniej istniał w postaci edytowalnej. Jeśli PDF pochodzi od współpracownika, klienta lub od Ciebie sprzed czasu, oryginalny plik DOCX, dokument Google lub InDesign jest prawie zawsze lepszy niż jakakolwiek konwersja: style nietknięte, tabele prawdziwe, zmiany śledzone i komentarze zachowane. Jedna krótka wiadomość z prośbą o źródło może zaoszczędzić godzinę poprawek, a ludzie rzadko mają coś przeciwko. Pozwala to też uniknąć subtelniejszego problemu: przekonwertowany plik wygląda na gotowy, więc drobne błędy z konwersji mogą niezauważone trafić do kolejnej wersji.

Zapytać najpierw warto przy długich dokumentach, które będziesz mocno edytować, przy szablonach do ponownego użycia, przy wszystkim ze złożonymi tabelami lub formularzami oraz przy dokumentach prawnych i finansowych, gdzie jedna źle odczytana cyfra to ryzyko. Konwertować warto, gdy źródła już nie ma, gdy PDF jest skanem papieru, który nigdy nie miał cyfrowego oryginału, albo gdy potrzebujesz tylko kilku akapitów. Wtedy konwerter PDF tworzy też zwykły tekst, który lepiej nadaje się do cytowania niż w pełni sformatowany plik Worda.

Podpisany lub certyfikowany PDF to szczególny przypadek. Konwersja do Worda usuwa podpis i jego ważność, więc traktuj plik Worda wyłącznie jako kopię roboczą. Jeśli musisz odesłać edytowaną wersję, wprowadź zmiany w kopii Worda, wyeksportuj ją ponownie do PDF i podpisz jeszcze raz; nie przedstawiaj przekonwertowanego pliku jako podpisanego oryginału. To samo dotyczy PDF-ów z certyfikacją lub oficjalną pieczęcią: znak graficzny może przetrwać, ale jego cyfrowy dowód nie.