Как конвертировать PDF в Word: 4 способа, OCR и типичные сбои

Adobe создала PDF в 1993 году, чтобы документ печатался одинаково на любом компьютере, а в 2008 году формат стал международным стандартом ISO 32000-1. Чтобы выполнить это обещание, страница PDF устроена как список команд рисования: поместить эти символы в этих координатах этим шрифтом, провести здесь линию, поставить там изображение. Предложение, перенесённое на вторую строку, — это просто два не связанных фрагмента текста, расположенных один под другим. Ничто в файле не говорит о том, что они относятся друг к другу.

Документ Word устроен наоборот. Файл DOCX, описанный стандартом Office Open XML (ECMA-376, позднее ISO/IEC 29500), хранит абзацы, стили, таблицы, разрывы разделов и колонтитулы, а Word при каждой вёрстке страницы сам решает, где переносить строки. Добавьте слово — абзац перестроится. Измените поля, шрифт или формат бумаги — сдвинется каждая строка. Именно это нужно при редактировании, и именно этого PDF никогда не записывал, ведь PDF готов в момент сохранения.

Поэтому перевод PDF в Word — это реконструкция, а не распаковка. Конвертеру приходится угадывать, какие строки образуют один абзац, какая жирная строка — заголовок, а не короткое предложение, какие выровненные слова образуют таблицу и в каком порядке читать две колонки. Хорошие конвертеры угадывают точно на чистых документах и хуже на перегруженных. Если PDF экспортирован с тегами (слой структуры для доступности), догадки точнее: теги явно фиксируют заголовки, списки и порядок чтения.

Есть две очень разные вещи с расширением .pdf. Текстовый PDF экспортирован из Word, Google Документов, бухгалтерской системы или окна печати браузера и содержит настоящие символы, которые можно выделить, скопировать и найти поиском. Сканированный PDF создан сканером, копиром или приложением на телефоне, и каждая страница — фотография бумаги. Для конвертера сканированная страница вообще не содержит слов, только пиксели, даже если текст на экране выглядит идеально чётким. Имя файла и значок ничего не подскажут: в файловом менеджере оба вида выглядят одинаково.

Сканированную страницу нужно пропустить через оптическое распознавание текста (OCR), прежде чем из неё получится что-то редактируемое. OCR анализирует формы букв и превращает их в текст, а точность зависит от разрешения, контраста, перекоса и языка. Чистый чёрно-белый скан 300 dpi читается почти идеально; фото с телефона, снятое под углом при свете настольной лампы, даст опечатки в каждом абзаце. Конвертеры без OCR выдают либо пустой документ, либо файл Word, где каждая страница вставлена одной картинкой.

Многие реальные файлы смешанные: договор, экспортированный как текст, с подписанной страницей подписи, отсканированной в конце, или отчёт с приложением из отсканированных чеков. Лучше всего справляется конвертер, который проверяет каждую страницу отдельно: текстовые страницы он читает напрямую, а OCR тратит только там, где он нужен, поэтому экспортированные страницы остаются точными до символа. Если вы сканируете сами, в руководстве о сканировании документов в PDF описаны разрешение и освещение, при которых OCR работает лучше всего.

Microsoft Word открывает PDF напрямую начиная с Word 2013 с помощью функции, которую Microsoft называет PDF Reflow. Это очевидный выбор, если Word уже установлен, и он хорошо справляется с простыми письмами и отчётами. Файлы обрабатываются по одному. Google Документы предлагают похожий путь через Google Диск. Справка Google о преобразовании PDF в текст рекомендует файлы до 2 MB и сообщает, что списки, таблицы, колонки, сноски и концевые сноски, скорее всего, не распознаются, что совпадает с практикой: слова переносятся, структура часто нет.

Adobe Acrobat Standard и Pro экспортируют в Word через инструмент Экспорт PDF и автоматически распознают текст на сканированных страницах. Acrobat — платная подписка, а бесплатный Acrobat Reader экспорт не включает. Конвертер в браузере занимает промежуточное место: ничего не нужно устанавливать, работает в любой операционной системе и обычно позволяет выбрать между сплошным текстом и точной вёрсткой. На странице PDF в Word параметр Распознавание текста (OCR) в режиме «Авто» читает только страницы без текстового слоя, а Язык документа задаёт алфавит OCR для сканов не на английском.

PDF Reflow в Word находится в обычном диалоге «Открыть», поэтому многие его не замечают. Он работает в Word 2013, 2016, 2019, 2021 и Microsoft 365 для Windows. Word показывает уведомление, что преобразует PDF в редактируемый документ, что это может занять время и что результат может отличаться от оригинала, особенно при большом количестве графики. Нажмите OK, и преобразованная копия откроется как новый несохранённый документ; сам PDF не меняется.

В документации Microsoft перечислены элементы, которые могут не преобразоваться: сноски на несколько страниц, концевые сноски, закладки и комментарии PDF, а также эффекты шрифта вроде свечения или тени. На практике Word также превращает боковые врезки, цитаты и многоколоночные журнальные страницы в плавающие надписи, которые выглядят правильно, но неудобны для редактирования. Кроме того, в Word нет настройки языка скана, поэтому текст с диакритикой или не на латинице на сканированных страницах распознаётся как повезёт. Но для письма на одну страницу или простого отчёта это часто самый быстрый путь, а результат сразу оказывается в нужном редакторе.

Одноколоночный основной текст с настоящими заголовками хорошо конвертируется любым инструментом: письма, эссе, договоры, большинство отчётов. Полужирный, курсив, маркированные списки и простые таблицы с видимыми границами обычно сохраняются. Изображения переносятся, пока конвертер их сохраняет; в браузере за это отвечает параметр Сохранить изображения, по умолчанию включённый для DOCX. Гиперссылки обычно сохраняются, если в PDF это были настоящие ссылки; синий подчёркнутый текст, который никогда не был ссылкой, остаётся обычным текстом. Чем чище и привычнее исходная вёрстка, тем меньше заметно преобразование.

Проблемы начинаются там, где смысл несёт сама вёрстка страницы. Двухколоночный текст может читаться поперёк, а не вниз. Таблицы без линий трудно распознать, и они могут прийти строками с табуляцией. Колонтитулы и номера страниц рисуются на каждой странице как обычный текст, поэтому часто оказываются посреди основного текста, по одному на страницу. Заполняемые поля форм превращаются в обычный текст или теряются. Встроенные шрифты, которых нет на вашем компьютере, заменяются ближайшими, из-за чего меняется длина строк. Если документ в основном состоит из таблиц, лучше конвертировать в электронную таблицу; см. извлечение таблиц из изображений и PDF.

Прежде чем что-то редактировать, потратьте две минуты на проверку конвертации: структурную проблему проще исправить в самом начале, чем после того, как вы перепишете половину текста. Откройте PDF и файл Word рядом и пролистайте оба. Ищите пропавшие абзацы на границах страниц, колонтитулы, попавшие в основной текст, и таблицы, превратившиеся в разрозненные строки. Если включить знаки форматирования и увидеть знак абзаца в конце каждой строки, значит, вы получили построчную верстку вместо абзацев; повторная конвертация с режимом Сплошной текст обычно решает это быстрее, чем склеивание строк вручную.

Для отсканированных страниц запустите проверку орфографии и особенно внимательно проверьте числа: их проверка орфографии игнорирует. При OCR часто путают цифру 0 с буквой O, 1 с l, а 5 с S, и в счете или договоре одна неверная цифра важнее десяти опечаток. Если целые абзацы превратились в мусор, проверьте Язык документа и повторите конвертацию, прежде чем исправлять вручную. Если верстку уже не спасти, скопируйте чистый текст в новый документ на основе вашего шаблона: это часто быстрее, чем распутывать текстовые рамки.

Любой конвертер пытается восстановить документ, который когда-то существовал в редактируемом виде. Если PDF прислал коллега, клиент или вы сами в прошлом, исходный файл DOCX, Google Документа или InDesign почти всегда лучше любой конвертации: стили на месте, таблицы настоящие, исправления и комментарии сохранены. Одно короткое письмо с просьбой прислать исходник может сэкономить час правок, и обычно никто не возражает. Это также снимает менее заметную проблему: сконвертированный файл выглядит готовым, поэтому мелкие ошибки конвертации могут незаметно перейти в следующую версию.

Сначала стоит попросить исходник, если документ длинный и вы будете сильно его править, если это шаблон для повторного использования, если в нем сложные таблицы или формы, а также для юридических и финансовых документов, где одна неверно прочитанная цифра создает риск. Конвертировать стоит, когда исходника нет, когда PDF — скан бумажного документа без цифрового оригинала или когда нужно взять всего несколько абзацев. В этом случае конвертер PDF умеет выдавать и простой текст: для цитирования он чище, чем полностью отформатированный файл Word.

Подписанный или заверенный PDF — особый случай. При конвертации в Word подпись и ее действительность исчезают, поэтому считайте файл Word только рабочей копией. Если нужно отправить обратно исправленную версию, внесите правки в копию Word, снова экспортируйте ее в PDF и подпишите заново; не выдавайте сконвертированный файл за подписанный оригинал. То же относится к PDF с сертификацией или официальной печатью: визуальный знак может сохраниться, но его цифровое подтверждение — нет.