Kako pretvoriti PDF v Word: 4 načini, OCR in težave

Adobe je PDF zasnoval leta 1993, da bi se dokument na vsakem računalniku natisnil enako, leta 2008 pa je format postal mednarodni standard ISO 32000-1. Da to obljubo izpolni, je stran PDF seznam risalnih ukazov: te znake postavi na te koordinate v tej pisavi, tu nariši črto, tam postavi sliko. Stavek, ki se prelomi v drugo vrstico, sta preprosto dva nepovezana odseka besedila, ki sta slučajno eden nad drugim. V datoteki nič ne pove, da spadata skupaj.

Dokument Word deluje obratno. Datoteka DOCX, ki jo določa standard Office Open XML (ECMA-376, pozneje ISO/IEC 29500), hrani odstavke, sloge, tabele, prelome razdelkov ter glave in noge, Word pa ob vsaki postavitvi strani sam odloči, kje se vrstica prelomi. Ko dodate besedo, se odstavek znova prelomi. Če spremenite rob, pisavo ali velikost papirja, se premakne vsaka vrstica. To je točno tisto, kar želite pri urejanju, in točno tisto, česar PDF nikoli ni zapisal, saj je bil dokončan v trenutku shranjevanja.

Pretvorba PDF v Word je torej rekonstrukcija, ne razpakiranje. Pretvornik mora ugibati, katere vrstice tvorijo en odstavek, katera krepka vrstica je naslov in ne kratek krepek stavek, katere poravnane besede tvorijo tabelo in v kakšnem vrstnem redu naj se berejo dva stolpca. Dobri pretvorniki dobro ugibajo pri čistih dokumentih, pri natrpanih pa slabo. Če je bil PDF izvožen z oznakami (strukturna plast za dostopnost), so ugibanja boljša, ker oznake izrecno beležijo naslove, sezname in vrstni red branja.

Obstajata dve zelo različni stvari, ki se obe končata s .pdf. Besedilni PDF je bil izvožen iz Worda, Google Dokumentov, računovodskega sistema ali pogovornega okna za tiskanje v brskalniku in vsebuje prave znake, ki jih lahko izberete, kopirate in iščete. Skeniran PDF je nastal s skenerjem, kopirnim strojem ali aplikacijo v telefonu, vsaka stran pa je fotografija papirja. Pretvornik v skenirani strani ne vidi nobene besede, samo piksle, tudi če je besedilo na zaslonu videti povsem ostro. Ime datoteke in ikona ne povesta nič; v upravitelju datotek sta obe vrsti videti enako.

Skenirana stran mora skozi optično prepoznavanje znakov (OCR), preden iz nje lahko pride karkoli urejljivega. OCR gleda oblike črk in jih spremeni v besedilo, njegova natančnost pa je odvisna od ločljivosti, kontrasta, nagnjenosti in jezika. Čist skenirani dokument s 300 dpi, črno na belem, se prebere skoraj popolnoma; fotografija s telefona, posneta pod kotom ob namizni svetilki, povzroči tipkarske napake v vsakem odstavku. Pretvorniki brez OCR vam dajo prazen dokument ali datoteko Word, kjer je vsaka stran vstavljena kot ena slika.

Mnoge datoteke v resnici so mešane: pogodba, izvožena kot besedilo, s podpisano stranjo, skenirano na koncu, ali poročilo s prilogo skeniranih računov. Najbolje jih obdela pretvornik, ki vsako stran preveri posebej, saj besedilne strani prebere neposredno, OCR pa uporabi le tam, kjer je potreben, tako da izvožene strani ostanejo znakovno popolne. Če skeniranje opravljate sami, vodnik o skeniranju dokumentov v PDF opisuje ločljivost in osvetlitev, ki OCR-ju dasta največ možnosti.

Microsoft Word PDF-je odpira neposredno od različice Word 2013 z zmožnostjo, ki jo Microsoft imenuje PDF Reflow. To je očitna izbira, če je Word že nameščen, in dobro deluje pri preprostih pismih in poročilih. Pretvarja eno datoteko naenkrat. Podobno pot ponujajo Google Dokumenti prek Google Drive. Googlova stran pomoči za pretvorbo PDF v besedilo priporoča datoteke do 2 MB in navaja, da seznami, tabele, stolpci, sprotne opombe in končne opombe verjetno ne bodo prepoznani, kar se ujema s prakso: besede pridejo čez, struktura pogosto ne.

Adobe Acrobat Standard in Pro izvozita v Word z orodjem Izvozi PDF in samodejno zaženeta prepoznavanje besedila na skeniranih straneh. Acrobat je plačljiva naročnina, brezplačni Acrobat Reader izvoza ne vključuje. Brskalniški pretvornik je nekje vmes: nič ni treba namestiti, deluje v vsakem operacijskem sistemu in običajno ponuja izbiro med tekočim besedilom in natančno postavitvijo. Na strani PDF v Word Prepoznavanje besedila (OCR) na Samodejno prebere le strani brez besedilnega sloja, Jezik dokumenta pa nastavi abecedo OCR za skene, ki niso v angleščini.

Wordov PDF Reflow je skrit v navadnem pogovornem oknu Odpri, zato ga mnogi nikoli ne opazijo. Deluje v Wordu 2013, 2016, 2019, 2021 in Microsoft 365 v sistemu Windows. Word prikaže obvestilo, da bo PDF pretvoril v urejljiv dokument, da lahko to traja nekaj časa in da rezultat morda ne bo videti povsem enako kot izvirnik, zlasti če ima datoteka veliko grafik. Kliknite V redu in pretvorjena kopija se odpre kot nov, neshranjen dokument; sam PDF se nikoli ne spremeni.

Microsoftova dokumentacija navaja elemente, ki se morda ne bodo pretvorili, med njimi sprotne opombe, ki segajo čez več kot eno stran, končne opombe, zaznamke in komentarje v PDF ter učinke pisave, kot sta sij ali senca. V praksi Word tudi stranske stolpce, izpostavljene citate in večstolpčne strani revij rad spremeni v lebdeča besedilna polja, ki so videti prav, a jih je naporno urejati. Word nima nastavitve za jezik skena, zato je besedilo z naglasi ali nelatinično besedilo na skeniranih straneh stvar sreče. Pri enostranskem pismu ali preprostem poročilu pa je pogosto najhitrejša pot, rezultat pa je že v urejevalniku, ki ga boste uporabljali.

Enostolpčno besedilo z pravimi naslovi se dobro pretvori z vsakim orodjem: pisma, eseji, pogodbe, večina poročil. Krepko, ležeče, naštevni seznami in preproste tabele z vidnimi robovi običajno preživijo. Slike pridejo čez, če jih pretvornik ohrani, kar je pri brskalniški poti možnost Ohrani slike, ki je za DOCX privzeto vklopljena. Hiperpovezave običajno preživijo, če so bile v PDF prave povezave; modro podčrtano besedilo, ki nikoli ni bilo povezava, ostane navadno besedilo. Čistejša in bolj običajna ko je izvirna postavitev, manj boste pretvorbo sploh opazili.

Težave se začnejo tam, kjer postavitev strani nosi pomen. Dvostolpčno besedilo se lahko prebere počez namesto navzdol. Tabele brez črt je težko zaznati in lahko pridejo kot vrstice, ločene s tabulatorji. Glave, noge in številke strani so na vsaki strani narisane kot navadno besedilo, zato pogosto pristanejo sredi telesa besedila, po enkrat na stran. Izpolnljiva polja obrazcev se sploščijo v navadno besedilo ali izginejo. Vdelane pisave, ki jih v računalniku nimate, se zamenjajo z najbližjo, kar spremeni dolžine vrstic. Za dokumente, ki so večinoma tabele, je boljši cilj preglednica; glejte izvlečenje tabel iz slik in PDF.

Preden karkoli urejate, si vzemite dve minuti za preverjanje pretvorbe, saj je strukturno težavo lažje odpraviti na začetku kot potem, ko ste prepisali pol besedila. Postavite PDF in datoteko Word drugega ob drugega in se pomikajte po obeh. Iščite manjkajoče odstavke na mejah strani, glave, ponovljene v besedilu, in tabele, ki so postale proste vrstice. Če so oznake oblikovanja vklopljene, oznaka odstavka na koncu vsake vrstice pomeni, da ste dobili postavitev po vrsticah namesto odstavkov; ponovna pretvorba z možnostjo Tekoče besedilo to običajno odpravi hitreje kot ročno spajanje vrstic.

Pri skeniranih straneh zaženite črkovalnik in bodite posebej pozorni na številke, ki jih črkovalniki ne preverjajo. OCR pogosto zamenja števko 0 s črko O, 1 z l in 5 z S, pri računu ali pogodbi pa ena napačna števka pomeni več kot deset tipkarskih napak. Če so cel odstavki popačeni, preverite Jezik dokumenta in pretvorite znova, preden popravljate ročno. Ko je postavitev neizboljšljiva, kopirajte čisto besedilo v nov dokument na podlagi svoje predloge; to je pogosto hitreje kot razpletanje besedilnih polj.

Vsak pretvornik obratno izdeluje dokument, ki je nekje že obstajal v urejljivi obliki. Če je PDF prišel od sodelavca, naročnika ali vas samih iz preteklosti, je izvirna datoteka DOCX, Google Dokument ali InDesign skoraj vedno boljša od vsake pretvorbe: slogi ostanejo, tabele so prave, sledeni popravki in komentarji so ohranjeni. Kratko e-sporočilo z vprašanjem po viru lahko prihrani uro čiščenja, ljudje pa se le redko zmrdujejo. Izogne se tudi bolj prikrite težavi: pretvorjena datoteka je videti dokončana, zato lahko majhne napake, ki jih vnese pretvorba, neopazno preidejo v naslednjo različico.

Vprašati je pametno pri dolgih dokumentih, ki jih boste močno urejali, pri predlogah, ki jih boste ponovno uporabljali, pri vsem z zapletenimi tabelami ali obrazci ter pri pravnih ali finančnih dokumentih, kjer je ena napačno prebrana števka tveganje. Pretvorba je prava izbira, ko vira ni več, ko je PDF sken papirja, ki nikoli ni imel digitalnega izvirnika, ali ko morate prevzeti le nekaj odstavkov. V tem primeru pretvornik PDF ustvari tudi navadno besedilo, ki je za citiranje čistejše od povsem oblikovane datoteke Word.

Podpisan ali overjen PDF je poseben primer. S pretvorbo v Word se podpis in njegova veljavnost odstranita, zato datoteko Word obravnavajte samo kot delovno kopijo. Če morate poslati urejeno različico nazaj, spremembe naredite v kopiji Word, jo znova izvozite v PDF in znova podpišite; pretvorjene datoteke ne predstavljajte kot podpisanega izvirnika. Enako velja za PDF-je s potrdilom ali uradnim pečatom: vidna oznaka morda preživi, njen digitalni dokaz pa ne.