PDF till Word: 4 sätt, OCR och vad som går sönder

Adobe skapade PDF 1993 så att ett dokument skulle skrivas ut likadant på alla datorer, och 2008 blev formatet den internationella standarden ISO 32000-1. För att hålla det löftet är en PDF-sida en lista med ritinstruktioner: placera dessa tecken på dessa koordinater i detta typsnitt, rita en linje här, lägg en bild där. En mening som bryts till en andra rad är helt enkelt två orelaterade textstycken som råkar ligga ovanför varandra. Inget i filen säger att de hör ihop.

Ett Word-dokument fungerar tvärtom. En DOCX-fil, som definieras av standarden Office Open XML (ECMA-376, senare ISO/IEC 29500), lagrar stycken, format, tabeller, avsnittsbrytningar och sidhuvuden, och Word avgör var varje rad bryts varje gång sidan läggs ut. När du lägger till ett ord bryts stycket om. Ändrar du marginal, typsnitt eller pappersstorlek flyttas varje rad. Det beteendet vill du ha när du redigerar, och det är precis det som en PDF aldrig sparade, eftersom en PDF var färdig i samma stund som den sparades.

Att konvertera PDF till Word är alltså en återskapning, inte en uppackning. Konverteraren måste gissa vilka rader som utgör ett stycke, vilken fet rad som är en rubrik och inte en kort fet mening, vilka uppställda ord som är en tabell och i vilken ordning två kolumner ska läsas. Bra konverterare gissar bra på rena dokument och dåligt på röriga. Om PDF:en exporterades med taggar (strukturlagret som används för tillgänglighet) blir gissningarna bättre, eftersom taggarna uttryckligen anger rubriker, listor och läsordning.

Det finns två helt olika saker som båda slutar på .pdf. En text-PDF har exporterats från Word, Google Docs, ett bokföringssystem eller en webbläsares utskriftsdialog och innehåller riktiga tecken som du kan markera, kopiera och söka i. En skannad PDF har gjorts av en skanner, en kopiator eller en mobilapp, och varje sida är ett fotografi av papper. För en konverterare innehåller en skannad sida inga ord alls, bara pixlar, även när texten ser knivskarp ut på skärmen. Filnamnet och ikonen säger ingenting; de två typerna ser likadana ut i filhanteraren.

En skannad sida måste genom optisk teckenigenkänning (OCR) innan något redigerbart kan komma ut. OCR tittar på bokstävernas former och gör om dem till text, och träffsäkerheten beror på upplösning, kontrast, snedhet och språk. En ren svartvit skanning i 300 dpi läses nästan felfritt; ett mobilfoto taget snett under en skrivbordslampa ger stavfel i varje stycke. Konverterare utan OCR ger dig antingen ett tomt dokument eller en Word-fil där varje sida är inklistrad som en enda bild.

Många riktiga filer är blandade: ett avtal exporterat som text med en skannad signatursida sist, eller en rapport med en bilaga av skannade kvitton. En konverterare som kontrollerar varje sida för sig klarar detta bäst, eftersom den läser textsidorna direkt och använder OCR bara där det behövs, så att de exporterade sidorna förblir exakta. Om du skannar själv går guiden om att skanna dokument till PDF igenom den upplösning och belysning som ger OCR bäst förutsättningar.

Microsoft Word har kunnat öppna PDF-filer direkt sedan Word 2013, med en funktion som Microsoft kallar PDF Reflow. Det är det givna valet om Word redan är installerat, och det fungerar bra på enkla brev och rapporter. Det konverterar en fil i taget. Google Docs erbjuder en liknande väg via Google Drive. Googles hjälpsida om att konvertera PDF till text rekommenderar filer på 2 MB eller mindre och säger att listor, tabeller, kolumner, fotnoter och slutnoter troligen inte upptäcks, vilket stämmer med hur det blir i praktiken: orden kommer med, strukturen ofta inte.

Adobe Acrobat Standard och Pro exporterar till Word via verktyget Exportera PDF och kör textigenkänning på skannade sidor automatiskt. Acrobat är en betald prenumeration, och gratisversionen Acrobat Reader har ingen export. En webbläsarkonverterare ligger mittemellan: inget att installera, fungerar på alla operativsystem och låter vanligtvis välja mellan flödande text och exakt layout. På sidan PDF till Word läser Textigenkänning (OCR) på Auto bara sidorna utan textlager, och Dokumentets språk anger OCR-alfabetet för skanningar som inte är på engelska.

Words PDF Reflow ligger i den vanliga Öppna-dialogen, vilket är därför många aldrig märker den. Den fungerar i Word 2013, 2016, 2019, 2021 och Microsoft 365 för Windows. Word visar ett meddelande om att PDF:en konverteras till ett redigerbart dokument, att det kan ta en stund och att resultatet kanske inte ser exakt ut som originalet, särskilt om filen har mycket grafik. Klicka på OK så öppnas den konverterade kopian som ett nytt, osparat dokument; själva PDF:en ändras aldrig.

Microsofts egen dokumentation listar element som kanske inte konverteras, bland annat fotnoter som sträcker sig över mer än en sida, slutnoter, PDF-bokmärken och kommentarer samt typsnittseffekter som sken eller skugga. I praktiken brukar Word dessutom göra om sidofält, citatrutor och tidskriftssidor med flera kolumner till flytande textrutor, som ser rätt ut men är tröttsamma att redigera. Word har heller ingen inställning för språket i en skanning, så text med accenter eller icke-latinska tecken på skannade sidor blir hit och dit. För ett brev på en sida eller en enkel rapport är det dock ofta den snabbaste vägen som finns, och resultatet ligger redan i den editor du ska använda.

Brödtext i en kolumn med riktiga rubriker konverteras bra med vilket verktyg som helst: brev, uppsatser, avtal, de flesta rapporter. Fet och kursiv stil, punktlistor och enkla tabeller med synliga kantlinjer klarar sig oftast. Bilder följer med så länge konverteraren behåller dem, vilket i webbläsarvarianten är alternativet Behåll bilder, som är på som standard för DOCX. Hyperlänkar överlever i regel när de var riktiga länkar i PDF:en; blå understruken text som aldrig var en länk förblir vanlig text. Ju renare och mer konventionell originallayouten är, desto mindre märker du av konverteringen.

Problemen börjar där sidlayouten bär mening. Text i två kolumner kan läsas tvärs över i stället för nedåt. Tabeller utan linjer är svåra att upptäcka och kan komma som tabbseparerade rader. Sidhuvuden, sidfötter och sidnummer ritas på varje sida som vanlig text och hamnar därför ofta mitt i brödtexten, en gång per sida. Ifyllbara formulärfält plattas till vanlig text eller försvinner. Inbäddade typsnitt som inte finns på din dator byts mot närmaste motsvarighet, vilket ändrar radlängderna. För dokument som mest består av tabeller är ett kalkylblad ett bättre mål; se extrahera tabeller från bilder och PDF.

Lägg två minuter på att kontrollera konverteringen innan du redigerar något, eftersom ett strukturproblem är lättare att åtgärda i början än när du skrivit om halva texten. Lägg PDF:en och Word-filen sida vid sida och bläddra igenom båda. Leta efter saknade stycken vid sidgränser, sidhuvuden som upprepas i brödtexten och tabeller som blivit lösa rader. Med formateringsmarkeringar på betyder en styckemarkering i slutet av varje rad att du fick en layout rad för rad i stället för stycken; konvertera om med Flödande text så åtgärdas det oftast snabbare än att foga ihop rader för hand.

För skannade sidor, kör en stavningskontroll och var extra noga med siffror, som stavningskontrollen ignorerar. OCR förväxlar ofta siffran 0 med bokstaven O, 1 med l och 5 med S, och i en faktura eller ett avtal betyder en enda fel siffra mer än tio stavfel. Om hela stycken är förvanskade, kontrollera Dokumentets språk och konvertera om innan du rättar för hand. När layouten är bortom räddning kan du kopiera den rena texten till ett nytt dokument baserat på din egen mall; det går ofta snabbare än att reda ut textrutor.

Varje konverterare försöker återskapa ett dokument som redan fanns i redigerbar form någonstans. Om PDF:en kom från en kollega, en kund eller ditt tidigare jag är originalet i DOCX, Google Docs eller InDesign nästan alltid bättre än vilken konvertering som helst: format intakta, riktiga tabeller, spårade ändringar och kommentarer bevarade. Ett kort mejl där du ber om källfilen kan spara en timmes uppstädning, och folk har sällan något emot det. Det undviker också ett lömskare problem: en konverterad fil ser färdig ut, så små fel från konverteringen kan följa med till nästa version obemärkta.

Att fråga först är rätt för långa dokument som du ska redigera mycket, för mallar du ska återanvända, för allt med komplexa tabeller eller formulär och för juridiska eller ekonomiska dokument där en enda felläst siffra är en risk. Att konvertera är rätt när källan är borta, när PDF:en är en skanning av papper som aldrig hade ett digitalt original, eller när du bara behöver hämta några stycken. Då ger PDF-konverteraren också ren text, som är bättre för citat än en fullformaterad Word-fil.

En signerad eller certifierad PDF är ett specialfall. När du konverterar den till Word försvinner signaturen och dess giltighet, så behandla Word-filen enbart som en arbetskopia. Behöver du skicka tillbaka en redigerad version, gör ändringarna i Word-kopian, exportera den till PDF igen och låt signera den på nytt; presentera inte den konverterade filen som den signerade originalfilen. Detsamma gäller PDF-filer med certifiering eller officiell stämpel: det visuella märket kan finnas kvar, men dess digitala bevis gör det inte.