Jinsi ya kubadilisha PDF kuwa Word: njia 4, OCR na kasoro

Adobe ilibuni PDF mwaka 1993 ili hati ichapishwe vivyo hivyo kwenye kompyuta yoyote, na muundo huo ukawa kiwango cha kimataifa ISO 32000-1 mwaka 2008. Ili kutimiza ahadi hiyo, ukurasa wa PDF ni orodha ya maagizo ya kuchora: weka herufi hizi kwenye viwianishi hivi kwa fonti hii, chora mstari hapa, weka picha pale. Sentensi inayoendelea kwenye mstari wa pili ni vipande viwili tu visivyohusiana vya maandishi vilivyokaa kimoja juu ya kingine. Hakuna chochote kwenye faili kinachosema vinahusiana.

Hati ya Word hufanya kinyume. Faili ya DOCX, iliyobainishwa na kiwango cha Office Open XML (ECMA-376, baadaye ISO/IEC 29500), huhifadhi aya, mitindo, majedwali, vigawanyo vya sehemu na vichwa vya kurasa, na Word huamua mstari unakatikia wapi kila inapopanga ukurasa. Ukiongeza neno, aya hupangwa upya. Ukibadilisha pambizo, fonti au ukubwa wa karatasi, kila mstari husogea. Tabia hiyo ndiyo unayotaka unapohariri, na ndiyo ambayo PDF haikuwahi kuirekodi, kwa sababu PDF ilikamilika mara tu ilipohifadhiwa.

Hivyo kubadilisha PDF kuwa Word ni kujenga upya, si kufungua tu. Kibadilishaji lazima kikisie ni mistari ipi huunda aya moja, ni mstari upi wa herufi nzito ni kichwa na si sentensi fupi nzito, ni maneno yapi yaliyopangwa yanaunda jedwali, na safu mbili zisomwe kwa mpangilio gani. Vibadilishaji vizuri hukisia vyema kwenye hati safi na vibaya kwenye hati zenye mchanganyiko. Ikiwa PDF ilihamishwa ikiwa na vitambulisho (safu ya muundo inayotumika kwa ufikivu), makisio huboreka, kwa sababu vitambulisho hurekodi wazi vichwa, orodha na mpangilio wa kusoma.

Kuna vitu viwili tofauti sana vinavyoishia na .pdf. PDF ya maandishi ilihamishwa kutoka Word, Google Docs, mfumo wa uhasibu au dirisha la kuchapisha la kivinjari, na ina herufi halisi unazoweza kuchagua, kunakili na kutafuta. PDF ya skani ilitengenezwa na skana, mashine ya kunakili au programu ya simu, na kila ukurasa ni picha ya karatasi. Kwa kibadilishaji, ukurasa wa skani hauna maneno kabisa, ni pikseli tu, hata maandishi yakionekana makali skrinini. Jina la faili na aikoni havikuambii chochote; aina hizi mbili zinafanana kwenye kidhibiti cha faili.

Ukurasa wa skani lazima upitie utambuzi wa maandishi kwa macho (OCR) kabla chochote kinachoweza kuhaririwa kupatikana. OCR huangalia maumbo ya herufi na kuyageuza kuwa maandishi, na usahihi wake hutegemea azimio, utofautishaji, mpindo na lugha. Skani safi ya 300 dpi ya wino mweusi kwenye karatasi nyeupe husomwa karibu kikamilifu; picha ya simu iliyopigwa kwa pembe chini ya taa ya mezani huleta makosa kwenye kila aya. Vibadilishaji visivyo na OCR hukupa hati tupu au faili ya Word yenye kila ukurasa umebandikwa kama picha moja.

Faili nyingi halisi ni mchanganyiko: mkataba uliohamishwa kama maandishi na ukurasa wa saini ulioskaniwa mwishoni, au ripoti yenye kiambatisho cha risiti zilizoskaniwa. Kibadilishaji kinachokagua kila ukurasa kivyake hushughulikia hizi vizuri zaidi, kwa kuwa husoma kurasa za maandishi moja kwa moja na kutumia OCR pale tu inapohitajika, hivyo kurasa zilizohamishwa hubaki na herufi sahihi kabisa. Ukiskani mwenyewe, mwongozo wa kuskani hati kuwa PDF unaeleza azimio na mwanga unaoipa OCR nafasi bora.

Microsoft Word hufungua PDF moja kwa moja tangu Word 2013, kwa kipengele ambacho Microsoft inakiita PDF Reflow. Ni chaguo dhahiri ikiwa Word tayari imesakinishwa, na hufanya vizuri kwenye barua na ripoti rahisi. Hubadilisha faili moja kwa wakati. Google Docs hutoa njia kama hiyo kupitia Google Drive. Ukurasa wa msaada wa Google kuhusu kubadilisha PDF kuwa maandishi unapendekeza faili za 2 MB au chini na unasema orodha, majedwali, safuwima, tanbihi na maelezo ya mwisho hayana uwezekano wa kutambuliwa, jambo linalolingana na uhalisia: maneno huja, muundo mara nyingi haji.

Adobe Acrobat Standard na Pro huhamisha kwenda Word kupitia zana ya Export PDF na hutumia utambuzi wa maandishi kwenye kurasa za skani kiotomatiki. Acrobat ni usajili wa kulipia, na Acrobat Reader ya bure haina uhamishaji huo. Kibadilishaji cha kivinjari kiko katikati: hakuna cha kusakinisha, kinafanya kazi kwenye mfumo wowote wa uendeshaji, na mara nyingi hukupa chaguo kati ya maandishi yanayotiririka na mpangilio kamili. Kwenye ukurasa wa PDF kuwa Word, Utambuzi wa maandishi (OCR) ukiwa Auto husoma kurasa zisizo na safu ya maandishi pekee, na Lugha ya hati huweka alfabeti ya OCR kwa skani zisizo za Kiingereza.

PDF Reflow ya Word iko kwenye dirisha la kawaida la Open, ndiyo maana watu wengi hawaioni. Inafanya kazi kwenye Word 2013, 2016, 2019, 2021 na Microsoft 365 kwenye Windows. Word huonyesha tahadhari kwamba itabadilisha PDF kuwa hati inayoweza kuhaririwa, kwamba huenda ikachukua muda, na kwamba matokeo yanaweza yasifanane kabisa na asili, hasa ikiwa faili ina michoro mingi. Bofya OK na nakala iliyobadilishwa hufunguka kama hati mpya isiyohifadhiwa; PDF yenyewe haibadilishwi kamwe.

Nyaraka za Microsoft zenyewe zinaorodhesha vipengele vinavyoweza kutobadilika, ikiwemo tanbihi zinazoenea kurasa zaidi ya moja, maelezo ya mwisho, alamisho na maoni ya PDF, na madoido ya fonti kama mwanga au kivuli. Kwa vitendo, Word pia huelekea kugeuza vichupo vya pembeni, nukuu zilizotolewa na kurasa za majarida zenye safuwima nyingi kuwa visanduku vya maandishi vinavyoelea, vinavyoonekana sawa lakini ni vya kuchosha kuhariri. Word pia haina mpangilio wa lugha ya skani, hivyo maandishi yenye alama au yasiyo ya Kilatini kwenye kurasa za skani ni ya bahati nasibu. Hata hivyo, kwa barua ya ukurasa mmoja au ripoti rahisi, mara nyingi ndiyo njia ya haraka zaidi, na matokeo tayari yako kwenye kihariri utakachotumia.

Maandishi ya safuwima moja yenye vichwa halisi hubadilika vizuri kwa zana yoyote: barua, insha, mikataba, ripoti nyingi. Herufi nzito, italiki, orodha za vitone na majedwali rahisi yenye mipaka inayoonekana kwa kawaida hudumu. Picha huja mradi kibadilishaji kizihifadhi, ambayo kwenye njia ya kivinjari ni chaguo la Hifadhi picha, lililowashwa kwa chaguo-msingi kwa DOCX. Viungo kwa ujumla hudumu vilipokuwa viungo halisi kwenye PDF; maandishi ya buluu yaliyopigiwa mstari ambayo hayakuwa kiungo hubaki maandishi tu. Kadiri mpangilio wa asili ulivyo safi na wa kawaida, ndivyo utakavyoona ubadilishaji kidogo.

Matatizo huanza pale mpangilio wa ukurasa unapobeba maana. Maandishi ya safuwima mbili yanaweza kusomwa kwa mlalo badala ya wima. Majedwali yasiyo na mistari ni magumu kutambua na yanaweza kuja kama mistari iliyotenganishwa kwa tab. Vichwa, vijachini na namba za kurasa huchorwa kwenye kila ukurasa kama maandishi ya kawaida, hivyo mara nyingi hutua katikati ya mwili, mara moja kwa kila ukurasa. Sehemu za fomu zinazojazwa hubanwa kuwa maandishi tu au hupotea. Fonti zilizopachikwa ambazo hazipo kwenye kompyuta yako hubadilishwa na iliyo karibu zaidi, jambo linalobadilisha urefu wa mistari. Kwa hati ambazo ni majedwali zaidi, lahajedwali ndilo lengo bora; tazama kutoa majedwali kutoka picha na PDF.

Kabla ya kuhariri chochote, tumia dakika mbili kukagua ubadilishaji, kwa sababu tatizo la muundo ni rahisi kurekebisha mwanzoni kuliko baada ya kuandika upya nusu ya maandishi. Weka PDF na faili ya Word kando kwa kando na upitie zote mbili. Tafuta aya zilizokosekana kwenye mipaka ya kurasa, vichwa vilivyojirudia mwilini na majedwali yaliyogeuka mistari huru. Ukiwa na alama za uumbizaji zimewashwa, alama ya aya mwishoni mwa kila mstari inamaanisha ulipata mpangilio wa mstari kwa mstari badala ya aya; kubadilisha tena kwa Maandishi yanayotiririka kwa kawaida hurekebisha haraka kuliko kuunganisha mistari kwa mkono.

Kwa kurasa za skani, fanya ukaguzi wa tahajia na uzingatie zaidi namba, ambazo vikagua tahajia huzipuuza. OCR mara nyingi huchanganya tarakimu 0 na herufi O, 1 na l, na 5 na S, na kwenye ankara au mkataba tarakimu moja mbaya ina uzito kuliko makosa kumi ya tahajia. Aya nzima zikiharibika, angalia Lugha ya hati na ubadilishe tena kabla ya kusahihisha kwa mkono. Mpangilio ukishindikana kurekebishwa, nakili maandishi safi kwenye hati mpya yenye kiolezo chako mwenyewe; mara nyingi ni haraka kuliko kufumua visanduku vya maandishi.

Kila kibadilishaji kinafumua hati ambayo tayari ilikuwepo mahali fulani kwa muundo unaoweza kuhaririwa. Ikiwa PDF ilitoka kwa mfanyakazi mwenzako, mteja au wewe mwenyewe zamani, DOCX, Google Doc au faili ya InDesign ya asili karibu kila mara ni bora kuliko ubadilishaji wowote: mitindo kamili, majedwali halisi, mabadiliko na maoni yamehifadhiwa. Barua pepe fupi ya kuomba chanzo inaweza kuokoa saa moja ya usafishaji, na watu mara chache hukasirika. Pia huepuka tatizo fiche zaidi: faili iliyobadilishwa inaonekana imekamilika, hivyo makosa madogo ya ubadilishaji yanaweza kuhamia toleo linalofuata bila kuonekana.

Kuuliza kwanza ni uamuzi sahihi kwa hati ndefu utakazozihariri sana, kwa violezo utakavyotumia tena, kwa chochote chenye majedwali changamano au fomu, na kwa hati za kisheria au kifedha ambapo tarakimu moja iliyosomwa vibaya ni hatari. Kubadilisha ni uamuzi sahihi chanzo kikiwa kimepotea, PDF ikiwa skani ya karatasi isiyowahi kuwa na asili ya kidijitali, au unapohitaji kuchukua aya chache tu. Katika hali hiyo, kibadilishaji PDF pia hutoa maandishi matupu, ambayo ni safi zaidi kwa kunukuu kuliko faili ya Word iliyoumbizwa kikamilifu.

PDF iliyosainiwa au kuthibitishwa ni hali maalum. Kuibadilisha kuwa Word huondoa saini na uhalali wake, hivyo chukulia faili ya Word kama nakala ya kazi tu. Ukihitaji kutuma toleo lililohaririwa, fanya mabadiliko kwenye nakala ya Word, ihamishe tena kuwa PDF na uisainishe tena; usiwasilishe faili iliyobadilishwa kama asili iliyosainiwa. Hivyo hivyo kwa PDF zenye uthibitisho au muhuri rasmi: alama inayoonekana inaweza kudumu, lakini uthibitisho wake wa kidijitali haudumu.