Cum convertiți PDF în Word: 4 metode, OCR și ce se strică

Adobe a creat PDF-ul în 1993 pentru ca un document să se tipărească la fel pe orice calculator, iar formatul a devenit standardul internațional ISO 32000-1 în 2008. Ca să respecte această promisiune, o pagină PDF este o listă de instrucțiuni de desenare: așază aceste caractere la aceste coordonate, cu acest font, trasează o linie aici, pune o imagine acolo. O propoziție care continuă pe al doilea rând este pur și simplu două fragmente de text fără legătură, aflate unul sub altul. Nimic din fișier nu spune că aparțin aceluiași paragraf.

Un document Word funcționează invers. Un fișier DOCX, definit de standardul Office Open XML (ECMA-376, apoi ISO/IEC 29500), păstrează paragrafe, stiluri, tabele, salturi de secțiune și anteturi, iar Word hotărăște unde se rupe fiecare rând de fiecare dată când așază pagina. Când adăugați un cuvânt, paragraful se rearanjează. Dacă schimbați marginea, fontul sau formatul hârtiei, fiecare rând se mută. Exact asta vă doriți când editați și exact asta nu a reținut niciodată un PDF, pentru că un PDF era finalizat din momentul salvării.

Așadar, conversia din PDF în Word este o reconstrucție, nu o despachetare. Convertorul trebuie să ghicească ce rânduri formează un paragraf, ce rând îngroșat este titlu și nu o propoziție scurtă, ce cuvinte aliniate formează un tabel și în ce ordine se citesc două coloane. Convertoarele bune ghicesc bine pe documente curate și prost pe cele încărcate. Dacă PDF-ul a fost exportat cu etichete (stratul de structură folosit pentru accesibilitate), ghicitul se îmbunătățește, pentru că etichetele consemnează explicit titlurile, listele și ordinea de citire.

Există două lucruri foarte diferite care se termină amândouă în .pdf. Un PDF cu text a fost exportat din Word, Google Docs, un program de contabilitate sau din fereastra de tipărire a unui browser și conține caractere reale, pe care le puteți selecta, copia și căuta. Un PDF scanat a fost făcut de un scaner, un copiator sau o aplicație de telefon, iar fiecare pagină este fotografia unei foi de hârtie. Pentru un convertor, o pagină scanată nu conține deloc cuvinte, ci doar pixeli, chiar dacă textul arată perfect clar pe ecran. Numele fișierului și pictograma nu vă spun nimic; cele două tipuri arată identic în managerul de fișiere.

O pagină scanată trebuie să treacă prin recunoaștere optică a caracterelor (OCR) înainte să poată rezulta ceva editabil. OCR analizează forma literelor și le transformă în text, iar acuratețea depinde de rezoluție, contrast, înclinare și limbă. O scanare curată, negru pe alb, la 300 dpi, este citită aproape perfect; o poză făcută cu telefonul, într-un unghi, sub o veioză, produce greșeli în fiecare paragraf. Convertoarele fără OCR vă dau fie un document gol, fie un fișier Word în care fiecare pagină este lipită ca o singură imagine.

Multe fișiere reale sunt mixte: un contract exportat ca text, cu o pagină de semnături scanată la final, sau un raport cu o anexă de bonuri scanate. Cel mai bine le tratează un convertor care verifică fiecare pagină separat, pentru că citește direct paginile cu text și folosește OCR doar acolo unde e nevoie, așa că paginile exportate rămân perfecte la nivel de caracter. Dacă faceți chiar dumneavoastră scanările, ghidul despre scanarea documentelor în PDF explică rezoluția și lumina care îi dau OCR-ului cele mai bune șanse.

Microsoft Word deschide PDF-uri direct din Word 2013, printr-o funcție numită de Microsoft PDF Reflow. Este alegerea evidentă dacă Word este deja instalat și se descurcă bine cu scrisori și rapoarte simple. Convertește un singur fișier pe rând. Google Docs oferă o cale similară prin Google Drive. Pagina de ajutor Google despre conversia PDF-urilor în text recomandă fișiere de cel mult 2 MB și spune că listele, tabelele, coloanele, notele de subsol și notele de final probabil nu vor fi detectate, ceea ce corespunde cu practica: cuvintele ajung, structura adesea nu.

Adobe Acrobat Standard și Pro exportă în Word prin instrumentul Export PDF și rulează automat recunoașterea textului pe paginile scanate. Acrobat este un abonament plătit, iar Acrobat Reader gratuit nu include exportul. Un convertor în browser se află la mijloc: nu instalați nimic, funcționează pe orice sistem de operare și oferă de obicei alegerea între text fluid și aranjare exactă. Pe pagina PDF în Word, Recunoaștere text (OCR) pe Auto citește doar paginile fără strat de text, iar Limba documentului stabilește alfabetul OCR pentru scanările care nu sunt în engleză.

PDF Reflow din Word se află în fereastra obișnuită Deschidere, motiv pentru care mulți nu îl observă. Funcționează în Word 2013, 2016, 2019, 2021 și Microsoft 365 pe Windows. Word afișează un mesaj că va converti PDF-ul într-un document editabil, că poate dura și că rezultatul poate să nu arate exact ca originalul, mai ales dacă fișierul conține multe elemente grafice. Apăsați OK și copia convertită se deschide ca document nou, nesalvat; PDF-ul în sine nu este modificat niciodată.

Documentația Microsoft enumeră elemente care pot să nu se convertească, printre care notele de subsol întinse pe mai multe pagini, notele de final, marcajele și comentariile PDF și efectele de font precum strălucirea sau umbra. În practică, Word tinde să transforme și barele laterale, citatele evidențiate și paginile de revistă cu mai multe coloane în casete de text flotante, care arată bine, dar sunt obositor de editat. Word nu are nici o setare pentru limba unei scanări, așa că textul cu diacritice sau în alfabete non-latine de pe paginile scanate iese cum o fi. Pentru o scrisoare de o pagină sau un raport simplu, însă, este adesea cea mai rapidă cale, iar rezultatul se află deja în editorul pe care îl veți folosi.

Textul pe o singură coloană, cu titluri reale, se convertește bine cu orice instrument: scrisori, eseuri, contracte, majoritatea rapoartelor. Textul îngroșat, cel cursiv, listele cu buline și tabelele simple cu margini vizibile supraviețuiesc de obicei. Imaginile ajung dacă convertorul le păstrează, iar în browser asta înseamnă opțiunea Păstrează imaginile, activată implicit pentru DOCX. Linkurile rămân în general dacă au fost linkuri reale în PDF; textul albastru subliniat care nu a fost niciodată link rămâne text simplu. Cu cât aranjarea originală este mai curată și mai convențională, cu atât veți observa mai puțin conversia.

Problemele apar acolo unde aranjarea în pagină poartă sens. Textul pe două coloane poate fi citit pe orizontală în loc de pe verticală. Tabelele fără linii de delimitare sunt greu de detectat și pot ajunge ca rânduri separate prin tabulatori. Anteturile, subsolurile și numerele de pagină sunt desenate pe fiecare pagină ca text obișnuit, așa că ajung adesea în mijlocul textului, câte unul pe pagină. Câmpurile de formular completabile sunt aplatizate în text simplu sau se pierd. Fonturile încorporate care nu sunt pe calculatorul dumneavoastră sunt înlocuite cu cele mai apropiate, ceea ce schimbă lungimea rândurilor. Pentru documentele formate mai ales din tabele, o foaie de calcul este o țintă mai bună; vedeți extragerea tabelelor din imagini și PDF-uri.

Înainte să editați ceva, petreceți două minute verificând conversia, pentru că o problemă de structură se repară mai ușor la început decât după ce ați rescris jumătate din text. Puneți PDF-ul și fișierul Word unul lângă altul și parcurgeți-le pe amândouă. Căutați paragrafe lipsă la limitele paginilor, anteturi repetate în corpul textului și tabele transformate în rânduri separate. Cu semnele de formatare afișate, un semn de paragraf la sfârșitul fiecărui rând înseamnă că ați primit o aranjare rând cu rând în loc de paragrafe; o nouă conversie cu Text fluid rezolvă de obicei mai repede decât unirea manuală a rândurilor.

Pentru paginile scanate, rulați verificarea ortografică și acordați atenție sporită cifrelor, pe care verificatoarele le ignoră. OCR confundă frecvent cifra 0 cu litera O, 1 cu l și 5 cu S, iar într-o factură sau un contract o singură cifră greșită contează mai mult decât zece greșeli de scriere. Dacă paragrafe întregi sunt deformate, verificați Limba documentului și convertiți din nou înainte să corectați manual. Când aranjarea nu mai poate fi reparată, copiați textul curat într-un document nou, bazat pe propriul șablon; adesea e mai rapid decât să descâlciți casetele de text.

Orice convertor reconstituie un document care a existat deja undeva într-o formă editabilă. Dacă PDF-ul vine de la un coleg, un client sau de la dumneavoastră din trecut, DOCX-ul, documentul Google sau fișierul InDesign original este aproape întotdeauna mai bun decât orice conversie: stiluri intacte, tabele reale, modificări urmărite și comentarii păstrate. Un e-mail scurt prin care cereți sursa poate economisi o oră de curățare, iar oamenii rareori se supără. Evitați și o problemă mai subtilă: un fișier convertit pare gata, așa că micile erori introduse de conversie pot ajunge nevăzute în versiunea următoare.

Să cereți mai întâi sursa este alegerea corectă pentru documente lungi pe care le veți edita mult, pentru șabloane reutilizabile, pentru orice are tabele sau formulare complexe și pentru documente juridice sau financiare, unde o singură cifră citită greșit reprezintă un risc. Conversia este alegerea corectă când sursa nu mai există, când PDF-ul este scanarea unei hârtii care nu a avut niciodată un original digital sau când trebuie să preluați doar câteva paragrafe. În acest caz, convertorul PDF produce și text simplu, mai curat pentru citare decât un fișier Word complet formatat.

Un PDF semnat sau certificat este un caz aparte. Convertirea lui în Word elimină semnătura și validitatea ei, așa că tratați fișierul Word doar ca pe o copie de lucru. Dacă trebuie să trimiteți înapoi o versiune editată, faceți modificările în copia Word, exportați-o din nou în PDF și semnați-o din nou; nu prezentați fișierul convertit drept originalul semnat. Același lucru este valabil pentru PDF-urile cu certificare sau cu sigiliu oficial: marca vizuală poate rămâne, dar dovada ei digitală nu.