Ako previesť PDF do Wordu: 4 spôsoby, OCR a problémy

Adobe vytvorilo PDF v roku 1993, aby sa dokument na každom počítači vytlačil rovnako, a formát sa v roku 2008 stal medzinárodnou normou ISO 32000-1. Aby tento sľub platil, strana PDF je zoznam kresliacich pokynov: umiestni tieto znaky na tieto súradnice týmto písmom, nakresli tu čiaru, vlož tam obrázok. Veta, ktorá pokračuje na druhom riadku, sú jednoducho dva nezávislé úseky textu, ktoré ležia nad sebou. V súbore nič nehovorí, že patria k sebe.

Dokument Wordu funguje opačne. Súbor DOCX, definovaný štandardom Office Open XML (ECMA-376, neskôr ISO/IEC 29500), ukladá odseky, štýly, tabuľky, zlomy sekcií a hlavičky a Word pri každom rozložení strany sám určuje, kde sa riadok zalomí. Keď pridáte slovo, odsek sa zalomí znova. Zmeňte okraj, písmo alebo veľkosť papiera a každý riadok sa posunie. Pri úpravách to chcete, no PDF si to nikdy nezaznamenalo, pretože bolo hotové v okamihu uloženia.

Prevod PDF do Wordu je teda rekonštrukcia, nie rozbalenie. Konvertor musí odhadnúť, ktoré riadky tvoria jeden odsek, ktorý tučný riadok je nadpis a nie krátka tučná veta, ktoré zarovnané slová tvoria tabuľku a v akom poradí sa čítajú dva stĺpce. Dobré konvertory odhadujú dobre pri čistých dokumentoch a zle pri hustých. Ak bolo PDF exportované so značkami (štruktúra používaná pre prístupnosť), odhady sú lepšie, pretože značky výslovne zaznamenávajú nadpisy, zoznamy a poradie čítania.

Na .pdf končia dve veľmi odlišné veci. Textové PDF bolo exportované z Wordu, Dokumentov Google, účtovného systému alebo tlačového dialógu prehliadača a obsahuje skutočné znaky, ktoré môžete vybrať, kopírovať a vyhľadávať. Skenované PDF vytvoril skener, kopírka alebo mobilná aplikácia a každá strana je fotografia papiera. Pre konvertor skenovaná strana neobsahuje žiadne slová, iba pixely, aj keď text na obrazovke vyzerá ostro. Názov súboru ani ikona nič neprezradia; oba druhy vyzerajú v správcovi súborov rovnako.

Skenovaná strana musí prejsť optickým rozpoznávaním znakov (OCR), kým z nej vznikne niečo editovateľné. OCR sleduje tvary písmen a mení ich na text a jeho presnosť závisí od rozlíšenia, kontrastu, naklonenia a jazyka. Čistý sken čiernej na bielej s 300 dpi sa prečíta takmer dokonale; fotka z mobilu urobená pod uhlom pri stolnej lampe prináša preklepy v každom odseku. Konvertory bez OCR vrátia buď prázdny dokument, alebo súbor Wordu, kde je každá strana vložená ako jeden obrázok.

Veľa reálnych súborov je zmiešaných: zmluva exportovaná ako text s podpísanou stranou naskenovanou na konci alebo správa s prílohou naskenovaných účteniek. Najlepšie ich zvláda konvertor, ktorý kontroluje každú stranu osobitne, pretože textové strany číta priamo a OCR využije len tam, kde treba, takže exportované strany zostanú v znakoch presné. Ak skeny robíte sami, návod na skenovanie dokumentov do PDF opisuje rozlíšenie a osvetlenie, pri ktorých má OCR najlepšie výsledky.

Microsoft Word otvára PDF priamo od verzie 2013 pomocou funkcie, ktorú Microsoft nazýva PDF Reflow. Je to samozrejmá voľba, ak už Word máte, a dobre si poradí s jednoduchými listami a správami. Konvertuje jeden súbor naraz. Podobnú cestu ponúkajú Dokumenty Google cez Disk Google. Stránka pomocníka Google o konverzii PDF na text odporúča súbory do 2 MB a uvádza, že zoznamy, tabuľky, stĺpce, poznámky pod čiarou a vysvetlivky sa pravdepodobne nerozpoznajú, čo zodpovedá praxi: slová prejdú, štruktúra často nie.

Adobe Acrobat Standard a Pro exportujú do Wordu cez nástroj Exportovať PDF a na skenovaných stranách automaticky spustia rozpoznávanie textu. Acrobat je platené predplatné a bezplatný Acrobat Reader export neobsahuje. Konvertor v prehliadači je niečo medzi tým: nič neinštalujete, funguje na každom operačnom systéme a zvyčajne ponúka voľbu medzi plynulým textom a presným rozložením. Na stránke PDF do Wordu číta Rozpoznávanie textu (OCR) nastavené na Auto iba strany bez textovej vrstvy a Jazyk dokumentu určuje abecedu OCR pre skeny, ktoré nie sú po anglicky.

PDF Reflow vo Worde je v bežnom dialógu Otvoriť, preto si ho mnohí nikdy nevšimnú. Funguje vo Worde 2013, 2016, 2019, 2021 a Microsoft 365 na Windows. Word zobrazí oznam, že PDF prevedie na editovateľný dokument, že to môže chvíľu trvať a že výsledok nemusí vyzerať presne ako originál, najmä ak súbor obsahuje veľa grafiky. Kliknite na OK a prevedená kópia sa otvorí ako nový neuložený dokument; samotné PDF sa nikdy nezmení.

Dokumentácia Microsoftu uvádza prvky, ktoré sa nemusia previesť, vrátane poznámok pod čiarou presahujúcich viac strán, vysvetliviek, záložiek a komentárov PDF a efektov písma, ako je žiara alebo tieň. V praxi Word tiež mení bočné panely, citáty a viacstĺpcové strany časopisov na plávajúce textové polia, ktoré vyzerajú správne, ale ťažko sa upravujú. Word nemá ani nastavenie jazyka skenu, takže text s diakritikou alebo nelatinkou na skenovaných stranách je nevyspytateľný. Pri jednostranovom liste či jednoduchej správe je to však často najrýchlejšia cesta a výsledok je hneď v editore, ktorý použijete.

Jednostĺpcový text s pravými nadpismi sa dobre prevedie v akomkoľvek nástroji: listy, eseje, zmluvy, väčšina správ. Tučné písmo, kurzíva, odrážkové zoznamy a jednoduché tabuľky s viditeľným ohraničením zvyčajne prežijú. Obrázky prejdú, ak ich konvertor ponechá, čo je pri prehliadačovej ceste voľba Zachovať obrázky, pri DOCX predvolene zapnutá. Hypertextové odkazy zvyčajne prežijú, ak boli v PDF skutočné odkazy; modrý podčiarknutý text, ktorý nikdy nebol odkazom, zostane obyčajným textom. Čím čistejšie a konvenčnejšie je pôvodné rozloženie, tým menej si prevod všimnete.

Problémy začínajú tam, kde rozloženie strany nesie význam. Dvojstĺpcový text sa môže čítať naprieč namiesto nadol. Tabuľky bez deliacich čiar sa ťažko rozpoznávajú a môžu prísť ako riadky oddelené tabulátormi. Hlavičky, päty a čísla strán sú na každej strane nakreslené ako bežný text, takže často skončia uprostred textu, raz na stranu. Vyplniteľné polia formulárov sa zmenia na obyčajný text alebo sa stratia. Vložené písma, ktoré nemáte v počítači, sa nahradia najbližšou zhodou, čo mení dĺžky riadkov. Pri dokumentoch tvorených najmä tabuľkami je lepším cieľom tabuľkový procesor; pozrite extrahovanie tabuliek z obrázkov a PDF.

Predtým ako začnete čokoľvek upravovať, venujte dve minúty kontrole prevodu, pretože štrukturálny problém sa ľahšie opraví na začiatku než po prepísaní polovice textu. Položte PDF a súbor Wordu vedľa seba a prejdite oba. Hľadajte chýbajúce odseky na hraniciach strán, hlavičky opakované v texte a tabuľky, ktoré sa zmenili na voľné riadky. So zapnutými formátovacími značkami značka odseku na konci každého riadka znamená, že ste dostali rozloženie po riadkoch namiesto odsekov; nový prevod s voľbou Plynulý text to zvyčajne opraví rýchlejšie než ručné spájanie riadkov.

Pri skenovaných stranách spustite kontrolu pravopisu a venujte zvýšenú pozornosť číslam, ktoré kontrola pravopisu ignoruje. OCR často zamieňa číslicu 0 s písmenom O, 1 s l a 5 s S a vo faktúre alebo zmluve má jedna chybná číslica väčšiu váhu než desať preklepov. Ak sú celé odseky skomolené, skontrolujte Jazyk dokumentu a prevedťe znova, až potom opravujte ručne. Keď je rozloženie nezachrániteľné, skopírujte čistý text do nového dokumentu podľa vlastnej šablóny; je to často rýchlejšie než rozplietanie textových polí.

Každý konvertor spätne rekonštruuje dokument, ktorý už niekde existoval v editovateľnej podobe. Ak PDF prišlo od kolegu, klienta alebo ste ho vytvorili sami, pôvodný súbor DOCX, Dokument Google alebo InDesign je takmer vždy lepší než akýkoľvek prevod: štýly sú neporušené, tabuľky skutočné, sledované zmeny a komentáre zachované. Jeden krátky e-mail so žiadosťou o zdroj môže ušetriť hodinu upratovania a ľudia to zriedka riešia. Vyhnete sa aj jemnejšiemu problému: prevedený súbor vyzerá hotovo, takže drobné chyby z konverzie môžu nepozorovane prejsť do ďalšej verzie.

Opýtať sa najprv je správne pri dlhých dokumentoch, ktoré budete výrazne upravovať, pri šablónach na opakované použitie, pri všetkom so zložitými tabuľkami či formulármi a pri právnych alebo finančných dokumentoch, kde jedna zle prečítaná číslica je riziko. Prevod je správny, keď zdroj už neexistuje, keď je PDF sken papiera, ktorý nikdy nemal digitálny originál, alebo keď potrebujete vybrať len pár odsekov. V takom prípade konvertor PDF vytvorí aj čistý text, ktorý sa na citovanie hodí lepšie než plne formátovaný súbor Wordu.

Podpísané alebo certifikované PDF je zvláštny prípad. Prevod do Wordu odstráni podpis a jeho platnosť, takže súbor Wordu berte iba ako pracovnú kópiu. Ak potrebujete poslať upravenú verziu späť, urobte zmeny v kópii vo Worde, exportujte ju znova do PDF a nechajte ju znova podpísať; prevedený súbor nevydávajte za podpísaný originál. To isté platí pre PDF s certifikáciou alebo úradnou pečiatkou: vizuálna značka môže prežiť, ale jej digitálny dôkaz nie.