PDFని Wordగా మార్చడం ఎలా: 4 పద్ధతులు, OCR, లోపాలు

ఏ మెషీన్‌లోనైనా డాక్యుమెంట్ ఒకేలా ప్రింట్ అవ్వాలని Adobe 1993లో PDFని రూపొందించింది, 2008లో ఈ ఫార్మాట్ అంతర్జాతీయ ప్రమాణం ISO 32000-1 అయింది. ఆ హామీని నిలబెట్టడానికి, PDF పేజీ అంటే డ్రాయింగ్ సూచనల జాబితా: ఈ అక్షరాలను ఈ ఫాంట్‌లో ఈ కోఆర్డినేట్‌ల వద్ద ఉంచు, ఇక్కడ గీత గీయు, అక్కడ ఇమేజ్ పెట్టు. రెండో లైన్‌కు వెళ్లిన వాక్యం నిజానికి ఒకదాని కింద ఒకటి ఉన్న రెండు సంబంధం లేని టెక్స్ట్ భాగాలు మాత్రమే. అవి కలిసి ఉన్నవని ఫైల్‌లో ఎక్కడా ఉండదు.

Word డాక్యుమెంట్ దీనికి వ్యతిరేకంగా పనిచేస్తుంది. Office Open XML ప్రమాణం (ECMA-376, తర్వాత ISO/IEC 29500) నిర్వచించిన DOCX ఫైల్ పేరాలు, స్టైల్స్, టేబుల్స్, సెక్షన్ బ్రేక్‌లు, హెడర్‌లను నిల్వ చేస్తుంది; పేజీని లేఅవుట్ చేసిన ప్రతిసారీ ప్రతి లైన్ ఎక్కడ విరగాలో Word నిర్ణయిస్తుంది. పదం చేరిస్తే పేరా మళ్లీ సర్దుకుంటుంది. మార్జిన్, ఫాంట్ లేదా పేపర్ సైజ్ మార్చితే ప్రతి లైన్ కదులుతుంది. ఎడిట్ చేసేటప్పుడు కావలసింది ఇదే, కానీ PDF దీన్ని ఎప్పుడూ నమోదు చేయలేదు, ఎందుకంటే సేవ్ చేసిన క్షణమే PDF పూర్తయింది.

కాబట్టి PDFని Wordగా మార్చడం అంటే విప్పడం కాదు, పునర్నిర్మాణం. ఏ లైన్లు ఒకే పేరాగా ఏర్పడతాయి, ఏ బోల్డ్ లైన్ చిన్న బోల్డ్ వాక్యం కాకుండా హెడ్డింగ్, ఏ వరుసలో ఉన్న పదాలు టేబుల్, రెండు కాలమ్‌లను ఏ క్రమంలో చదవాలి అని కన్వర్టర్ ఊహించాలి. మంచి కన్వర్టర్లు శుభ్రమైన డాక్యుమెంట్లలో బాగా, సంక్లిష్టమైన వాటిలో సరిగా ఊహించలేవు. PDFను ట్యాగ్‌లతో (యాక్సెసిబిలిటీ కోసం వాడే స్ట్రక్చర్ లేయర్) ఎక్స్‌పోర్ట్ చేస్తే, హెడ్డింగ్‌లు, జాబితాలు, చదివే క్రమం స్పష్టంగా నమోదై ఉండటంతో ఊహలు మెరుగవుతాయి.

.pdfతో ముగిసే రెండు పూర్తిగా భిన్నమైన రకాలు ఉన్నాయి. టెక్స్ట్ PDFను Word, Google Docs, అకౌంటింగ్ సిస్టమ్ లేదా బ్రౌజర్ ప్రింట్ డైలాగ్ నుండి ఎక్స్‌పోర్ట్ చేస్తారు; అందులో ఎంచుకోగల, కాపీ చేయగల, వెతకగల నిజమైన అక్షరాలు ఉంటాయి. స్కాన్ చేసిన PDFను స్కానర్, కాపియర్ లేదా ఫోన్ యాప్ తయారు చేస్తుంది; ప్రతి పేజీ కాగితం ఫోటో. స్క్రీన్‌పై టెక్స్ట్ స్పష్టంగా కనిపించినా, కన్వర్టర్‌కు స్కాన్ పేజీలో పదాలేమీ ఉండవు, పిక్సెల్‌లు మాత్రమే. ఫైల్ పేరు, ఐకాన్ ఏమీ చెప్పవు; ఫైల్ మేనేజర్‌లో ఈ రెండు ఒకేలా కనిపిస్తాయి.

స్కాన్ చేసిన పేజీ నుండి ఎడిట్ చేయగలది ఏదైనా రావాలంటే ముందు ఆప్టికల్ క్యారెక్టర్ రికగ్నిషన్ (OCR) చేయాలి. OCR అక్షరాల ఆకృతులను చూసి టెక్స్ట్‌గా మారుస్తుంది; దాని కచ్చితత్వం రిజల్యూషన్, కాంట్రాస్ట్, వంకర, భాషపై ఆధారపడి ఉంటుంది. శుభ్రమైన 300 dpi నలుపు-తెలుపు స్కాన్ దాదాపు పూర్తిగా సరిగా చదవబడుతుంది; డెస్క్ ల్యాంప్ కింద వంగి తీసిన ఫోన్ ఫోటోలో ప్రతి పేరాలో తప్పులు వస్తాయి. OCR లేని కన్వర్టర్లు ఖాళీ డాక్యుమెంట్ ఇస్తాయి, లేదా ప్రతి పేజీ ఒకే చిత్రంగా అతికించిన Word ఫైల్ ఇస్తాయి.

చాలా నిజ జీవిత ఫైళ్లు మిశ్రమంగా ఉంటాయి: చివర్లో సంతకంతో స్కాన్ చేసిన పేజీ ఉన్న, టెక్స్ట్‌గా ఎక్స్‌పోర్ట్ చేసిన కాంట్రాక్ట్, లేదా స్కాన్ చేసిన రసీదుల అనుబంధం ఉన్న రిపోర్ట్. ప్రతి పేజీని విడిగా తనిఖీ చేసే కన్వర్టర్ వీటిని ఉత్తమంగా నిర్వహిస్తుంది; టెక్స్ట్ పేజీలను నేరుగా చదివి, అవసరమైన చోటే OCR వాడుతుంది, కాబట్టి ఎక్స్‌పోర్ట్ అయిన పేజీల్లో అక్షరాలు ఖచ్చితంగా ఉంటాయి. మీరే స్కాన్ చేస్తుంటే, OCRకు ఉత్తమ ఫలితం ఇచ్చే రిజల్యూషన్, వెలుతురు గురించి డాక్యుమెంట్లను PDFగా స్కాన్ చేయడం గైడ్‌లో ఉంది.

Microsoft Word 2013 నుండి PDFలను నేరుగా తెరుస్తోంది; Microsoft దీన్ని PDF Reflow అంటుంది. Word ఇప్పటికే ఇన్‌స్టాల్ అయి ఉంటే ఇదే స్పష్టమైన ఎంపిక, సాధారణ ఉత్తరాలు, రిపోర్టులపై బాగా పనిచేస్తుంది. ఇది ఒక్కో ఫైల్‌నే మారుస్తుంది. Google Docs కూడా Google Drive ద్వారా ఇలాంటి మార్గం ఇస్తుంది. Google PDFలను టెక్స్ట్‌గా మార్చడంపై సహాయ పేజీ 2 MB లేదా అంతకంటే చిన్న ఫైళ్లను సిఫార్సు చేస్తుంది, జాబితాలు, టేబుల్స్, కాలమ్‌లు, ఫుట్‌నోట్లు, ఎండ్‌నోట్లు గుర్తించబడే అవకాశం తక్కువ అంటుంది; ఆచరణలో కూడా అంతే: పదాలు వస్తాయి, నిర్మాణం తరచుగా రాదు.

Adobe Acrobat Standard, Pro Export PDF టూల్ ద్వారా Wordకు ఎక్స్‌పోర్ట్ చేస్తాయి, స్కాన్ పేజీలపై టెక్స్ట్ గుర్తింపును ఆటోమేటిక్‌గా నడుపుతాయి. Acrobat చెల్లింపు సబ్‌స్క్రిప్షన్; ఉచిత Acrobat Readerలో ఎక్స్‌పోర్ట్ ఉండదు. బ్రౌజర్ కన్వర్టర్ వీటి మధ్యలో ఉంటుంది: ఇన్‌స్టాల్ అవసరం లేదు, ఏ ఆపరేటింగ్ సిస్టమ్‌లోనైనా పనిచేస్తుంది, సాధారణంగా ఫ్లోయింగ్ టెక్స్ట్ లేదా ఖచ్చితమైన లేఅవుట్ ఎంపిక ఇస్తుంది. PDF నుండి Word పేజీలో, Autoలో ఉన్న టెక్స్ట్ గుర్తింపు (OCR) టెక్స్ట్ లేయర్ లేని పేజీలను మాత్రమే చదువుతుంది, ఇంగ్లీష్ కాని స్కాన్‌ల కోసం డాక్యుమెంట్ భాష OCR అక్షరమాలను సెట్ చేస్తుంది.

Word PDF Reflow సాధారణ Open డైలాగ్‌లోనే ఉంటుంది, అందుకే చాలామంది గమనించరు. ఇది Windowsలో Word 2013, 2016, 2019, 2021, Microsoft 365లో పనిచేస్తుంది. PDFని ఎడిట్ చేయగల డాక్యుమెంట్‌గా మారుస్తుందని, దీనికి సమయం పట్టవచ్చని, ముఖ్యంగా ఫైల్‌లో ఎక్కువ గ్రాఫిక్స్ ఉంటే ఫలితం అసలు దానిలా కనిపించకపోవచ్చని Word నోటీస్ చూపిస్తుంది. OK నొక్కితే మార్చిన కాపీ కొత్త, సేవ్ చేయని డాక్యుమెంట్‌గా తెరుచుకుంటుంది; PDF మాత్రం మారదు.

ఒకటి కంటే ఎక్కువ పేజీలకు విస్తరించే ఫుట్‌నోట్లు, ఎండ్‌నోట్లు, PDF బుక్‌మార్క్‌లు, కామెంట్లు, గ్లో లేదా షాడో వంటి ఫాంట్ ఎఫెక్ట్‌లు మారకపోవచ్చని Microsoft స్వంత డాక్యుమెంటేషన్ చెబుతోంది. ఆచరణలో, Word సైడ్‌బార్లు, పుల్ కోట్‌లు, బహుళ-కాలమ్ మ్యాగజైన్ పేజీలను తేలియాడే టెక్స్ట్ బాక్సులుగా మారుస్తుంది; అవి సరిగ్గా కనిపిస్తాయి కానీ ఎడిట్ చేయడం విసుగు. అలాగే స్కాన్ భాషకు Wordలో సెట్టింగ్ లేదు, కాబట్టి స్కాన్ పేజీల్లో యాక్సెంట్ లేదా లాటిన్ కాని టెక్స్ట్ ఫలితం అనిశ్చితం. అయినా ఒక పేజీ ఉత్తరం లేదా సాధారణ రిపోర్ట్‌కు ఇది తరచుగా అత్యంత వేగవంతమైన మార్గం, ఫలితం మీరు వాడబోయే ఎడిటర్‌లోనే ఉంటుంది.

సింగిల్-కాలమ్ బాడీ టెక్స్ట్, అసలైన హెడింగ్‌లు ఉన్న డాక్యుమెంట్లు ఏ టూల్‌తోనైనా బాగా మారతాయి: లేఖలు, వ్యాసాలు, ఒప్పందాలు, చాలా రిపోర్టులు. బోల్డ్, ఇటాలిక్, బుల్లెట్ లిస్టులు, కనిపించే అంచులు ఉన్న సాధారణ టేబుల్స్ సాధారణంగా అలాగే ఉంటాయి. కన్వర్టర్ ఇమేజ్‌లను ఉంచినంత వరకు అవి వస్తాయి; బ్రౌజర్ పద్ధతిలో అది ఇమేజ్‌లను ఉంచండి ఎంపిక, DOCX కోసం ఇది డిఫాల్ట్‌గా ఆన్‌లో ఉంటుంది. PDFలో నిజమైన లింకులుగా ఉన్న హైపర్‌లింకులు సాధారణంగా మిగులుతాయి; లింక్ కాకుండా కేవలం నీలి రంగులో అండర్‌లైన్ చేసిన టెక్స్ట్ మామూలు టెక్స్ట్‌గానే ఉంటుంది. అసలు లేఅవుట్ ఎంత శుభ్రంగా, సంప్రదాయంగా ఉంటే, మార్పిడి జరిగినట్టు అంతగా తెలియదు.

పేజీ లేఅవుట్‌కే అర్థం ఉన్నచోట సమస్య మొదలవుతుంది. రెండు కాలమ్‌ల టెక్స్ట్ కిందికి కాకుండా అడ్డంగా చదవబడవచ్చు. గీతలు లేని టేబుల్స్‌ను గుర్తించడం కష్టం, అవి ట్యాబ్‌తో వేరు చేసిన వరుసలుగా రావచ్చు. హెడర్లు, ఫుటర్లు, పేజీ నంబర్లు ప్రతి పేజీలో సాధారణ టెక్స్ట్‌గా ఉంటాయి, కాబట్టి అవి తరచుగా బాడీ మధ్యలో, పేజీకి ఒకసారి వచ్చి చేరతాయి. ఫిల్ చేయదగిన ఫారమ్ ఫీల్డ్‌లు సాదా టెక్స్ట్‌గా మారతాయి లేదా పోతాయి. మీ కంప్యూటర్‌లో లేని ఎంబెడెడ్ ఫాంట్‌ల స్థానంలో దగ్గరగా ఉండే ఫాంట్ వస్తుంది, దాంతో వరుసల పొడవు మారుతుంది. ఎక్కువగా టేబుల్స్ ఉన్న డాక్యుమెంట్లకు స్ప్రెడ్‌షీట్ మంచి లక్ష్యం; ఇమేజ్‌లు, PDFల నుండి టేబుల్స్ తీయడం చూడండి.

ఏదైనా ఎడిట్ చేసే ముందు, మార్పిడిని రెండు నిమిషాలు తనిఖీ చేయండి; సగం టెక్స్ట్ తిరిగి రాసిన తర్వాత కంటే ముందే నిర్మాణ సమస్యను సరిచేయడం సులభం. PDF, Word ఫైల్‌ను పక్కపక్కన పెట్టి రెండింటినీ స్క్రోల్ చేయండి. పేజీ హద్దుల్లో తప్పిన పేరాలు, బాడీలో పునరావృతమైన హెడర్లు, వదులు వరుసలుగా మారిన టేబుల్స్ చూడండి. ఫార్మాటింగ్ మార్కులు ఆన్ చేసినప్పుడు ప్రతి వరుస చివర పేరా మార్క్ ఉంటే, పేరాలకు బదులు వరుస-వరుసగా లేఅవుట్ వచ్చిందని అర్థం; వరుసలను చేతితో కలపడం కన్నా ప్రవహించే టెక్స్ట్తో మళ్లీ మార్చడం సాధారణంగా వేగంగా పరిష్కరిస్తుంది.

స్కాన్ చేసిన పేజీలకు స్పెల్ చెక్ చేసి, స్పెల్ చెకర్లు పట్టించుకోని అంకెలపై మరింత శ్రద్ధ పెట్టండి. OCR తరచుగా అంకె 0ను అక్షరం Oతో, 1ను lతో, 5ను Sతో కలిపేస్తుంది; ఇన్వాయిస్ లేదా ఒప్పందంలో ఒక తప్పు అంకె పది అక్షర దోషాల కన్నా ముఖ్యం. మొత్తం పేరాలు గందరగోళంగా ఉంటే, చేతితో సరిచేసే ముందు డాక్యుమెంట్ భాషను చూసి మళ్లీ మార్చండి. లేఅవుట్ బాగుచేయలేనంతగా ఉంటే, శుభ్రమైన టెక్స్ట్‌ను మీ స్వంత టెంప్లేట్‌తో కొత్త డాక్యుమెంట్‌లోకి కాపీ చేయండి; టెక్స్ట్ బాక్స్‌లను విడదీయడం కన్నా ఇది తరచుగా వేగంగా ఉంటుంది.

ప్రతి కన్వర్టర్ ఎక్కడో ఎడిట్ చేయదగిన రూపంలో ఉన్న డాక్యుమెంట్‌ను వెనుకకు ఊహించి నిర్మిస్తోంది. PDF సహోద్యోగి, క్లయింట్ లేదా మీరే గతంలో చేసినదైతే, అసలు DOCX, Google Doc లేదా InDesign ఫైల్ దాదాపు ఎల్లప్పుడూ ఏ మార్పిడి కన్నా మంచిది: స్టైల్స్ చెదరవు, టేబుల్స్ నిజమైనవి, ట్రాక్ చేసిన మార్పులు, కామెంట్లు మిగులుతాయి. సోర్స్ కోసం ఒక చిన్న ఇమెయిల్ ఒక గంట శుభ్రపరిచే పనిని ఆదా చేయగలదు, ఎవరూ పెద్దగా అభ్యంతరం చెప్పరు. ఇంకో సూక్ష్మ సమస్యను కూడా నివారిస్తుంది: మార్చిన ఫైల్ పూర్తయినట్టు కనిపిస్తుంది, కాబట్టి మార్పిడిలో వచ్చిన చిన్న తప్పులు గమనించకుండా తదుపరి వెర్షన్‌లోకి వెళ్లిపోవచ్చు.

ఎక్కువగా ఎడిట్ చేసే పొడవైన డాక్యుమెంట్లకు, మళ్లీ వాడే టెంప్లేట్లకు, సంక్లిష్ట టేబుల్స్ లేదా ఫారమ్‌లు ఉన్నవాటికి, ఒక్క తప్పు అంకె ప్రమాదమయ్యే చట్ట, ఆర్థిక డాక్యుమెంట్లకు ముందు అడగడమే సరైనది. సోర్స్ పోయినప్పుడు, డిజిటల్ అసలు లేని కాగితం స్కాన్ PDFకి, లేదా కొన్ని పేరాలు మాత్రమే తీసుకోవాల్సినప్పుడు మార్చడమే సరైనది. అప్పుడు PDF కన్వర్టర్ సాదా టెక్స్ట్ కూడా ఇస్తుంది, ఉటంకించడానికి పూర్తి ఫార్మాట్ ఉన్న Word ఫైల్ కన్నా ఇది శుభ్రంగా ఉంటుంది.

సంతకం చేసిన లేదా ధ్రువీకరించిన PDF ప్రత్యేక సందర్భం. దాన్ని Wordకు మారిస్తే సంతకం, దాని చెల్లుబాటు పోతాయి, కాబట్టి Word ఫైల్‌ను పని కాపీగా మాత్రమే చూడండి. ఎడిట్ చేసిన వెర్షన్ తిరిగి పంపాల్సి వస్తే, Word కాపీలో మార్పులు చేసి, మళ్లీ PDFగా ఎగుమతి చేసి, మళ్లీ సంతకం చేయించండి; మార్చిన ఫైల్‌ను సంతకం చేసిన అసలుగా చూపకండి. ధ్రువీకరణ లేదా అధికారిక ముద్ర ఉన్న PDFలకూ ఇదే వర్తిస్తుంది: కనిపించే గుర్తు మిగిలినా, దాని డిజిటల్ రుజువు మిగలదు.