แปลง PDF เป็น Word: 4 วิธี OCR และสิ่งที่มักเพี้ยน

Adobe ออกแบบ PDF ในปี 1993 เพื่อให้เอกสารพิมพ์ออกมาเหมือนกันบนทุกเครื่อง และฟอร์แมตนี้กลายเป็นมาตรฐานสากล ISO 32000-1 ในปี 2008 เพื่อรักษาสัญญานั้น หน้า PDF จึงเป็นเพียงรายการคำสั่งวาด คือวางตัวอักษรเหล่านี้ที่พิกัดนี้ด้วยฟอนต์นี้ วาดเส้นตรงนี้ วางรูปตรงนั้น ประโยคที่ขึ้นบรรทัดที่สองก็เป็นเพียงข้อความสองชุดที่ไม่เกี่ยวข้องกันซึ่งบังเอิญอยู่ซ้อนกัน ไม่มีสิ่งใดในไฟล์บอกว่าสองบรรทัดนั้นอยู่ด้วยกัน

เอกสาร Word ทำงานในทางกลับกัน ไฟล์ DOCX ซึ่งกำหนดโดยมาตรฐาน Office Open XML (ECMA-376 และต่อมาเป็น ISO/IEC 29500) เก็บย่อหน้า สไตล์ ตาราง การแบ่งส่วน และส่วนหัว โดย Word จะตัดสินใจเองว่าแต่ละบรรทัดขึ้นบรรทัดใหม่ตรงไหนทุกครั้งที่จัดหน้า เมื่อเพิ่มคำ ย่อหน้าจะจัดบรรทัดใหม่ เมื่อเปลี่ยนขอบกระดาษ ฟอนต์ หรือขนาดกระดาษ ทุกบรรทัดก็ขยับ พฤติกรรมนี้เป็นสิ่งที่ต้องการเมื่อแก้ไขเอกสาร และเป็นสิ่งที่ PDF ไม่เคยบันทึกไว้ เพราะ PDF เสร็จสมบูรณ์ตั้งแต่ตอนบันทึก

ดังนั้นการแปลง PDF เป็น Word คือการสร้างขึ้นใหม่ ไม่ใช่การแตกไฟล์ ตัวแปลงต้องเดาว่าบรรทัดไหนเป็นย่อหน้าเดียวกัน บรรทัดตัวหนาไหนเป็นหัวข้อ ไม่ใช่ประโยคสั้นที่เป็นตัวหนา คำที่เรียงตรงกันกลุ่มไหนเป็นตาราง และควรอ่านสองคอลัมน์ตามลำดับใด ตัวแปลงที่ดีเดาได้แม่นกับเอกสารที่สะอาด แต่พลาดกับเอกสารที่ซับซ้อน หาก PDF ถูกส่งออกพร้อมแท็ก (เลเยอร์โครงสร้างที่ใช้เพื่อการเข้าถึง) การเดาจะแม่นขึ้น เพราะแท็กบันทึกหัวข้อ รายการ และลำดับการอ่านไว้อย่างชัดเจน

มีสองสิ่งที่ต่างกันมากแต่ลงท้ายด้วย .pdf เหมือนกัน PDF แบบข้อความถูกส่งออกจาก Word, Google Docs, ระบบบัญชี หรือหน้าต่างพิมพ์ของเบราว์เซอร์ และมีตัวอักษรจริงที่เลือก คัดลอก และค้นหาได้ ส่วน PDF แบบสแกนสร้างจากเครื่องสแกน เครื่องถ่ายเอกสาร หรือแอปในโทรศัพท์ และแต่ละหน้าคือภาพถ่ายของกระดาษ สำหรับตัวแปลง หน้าสแกนไม่มีคำเลย มีแต่พิกเซล แม้ข้อความจะดูคมชัดบนหน้าจอก็ตาม ชื่อไฟล์และไอคอนบอกอะไรไม่ได้ ทั้งสองแบบดูเหมือนกันในตัวจัดการไฟล์

หน้าสแกนต้องผ่านการรู้จำอักขระด้วยแสง (OCR) ก่อน จึงจะได้สิ่งที่แก้ไขได้ OCR ดูรูปร่างของตัวอักษรแล้วแปลงเป็นข้อความ ความแม่นยำขึ้นอยู่กับความละเอียด คอนทราสต์ ความเอียง และภาษา สแกนขาวดำที่ 300 dpi ที่สะอาดอ่านได้เกือบสมบูรณ์ แต่รูปที่ถ่ายด้วยโทรศัพท์ในมุมเอียงใต้แสงโคมไฟจะมีคำผิดทุกย่อหน้า ตัวแปลงที่ไม่มี OCR จะให้เอกสารว่างเปล่า หรือไฟล์ Word ที่วางแต่ละหน้าเป็นรูปภาพเดียว

ไฟล์ในชีวิตจริงจำนวนมากเป็นแบบผสม เช่น สัญญาที่ส่งออกเป็นข้อความแต่มีหน้าลายเซ็นที่สแกนไว้ท้ายเล่ม หรือรายงานที่มีภาคผนวกเป็นใบเสร็จสแกน ตัวแปลงที่ตรวจทีละหน้าจัดการกรณีนี้ได้ดีที่สุด เพราะอ่านหน้าข้อความโดยตรงและใช้ OCR เฉพาะที่จำเป็น หน้าที่ส่งออกจึงมีตัวอักษรถูกต้องครบถ้วน หากคุณสแกนเอง คู่มือการสแกนเอกสารเป็น PDFอธิบายความละเอียดและแสงที่ช่วยให้ OCR ทำงานได้ดีที่สุด

Microsoft Word เปิดไฟล์ PDF ได้โดยตรงตั้งแต่ Word 2013 ด้วยฟีเจอร์ที่ Microsoft เรียกว่า PDF Reflow เป็นตัวเลือกที่ชัดเจนหากติดตั้ง Word อยู่แล้ว และทำงานได้ดีกับจดหมายและรายงานธรรมดา แต่แปลงได้ครั้งละหนึ่งไฟล์ Google Docs มีวิธีคล้ายกันผ่าน Google Drive หน้าช่วยเหลือเรื่องการแปลง PDF เป็นข้อความของ Google แนะนำให้ใช้ไฟล์ขนาด 2 MB หรือเล็กกว่า และระบุว่ารายการ ตาราง คอลัมน์ เชิงอรรถ และอ้างอิงท้ายเรื่องมีแนวโน้มจะตรวจจับไม่ได้ ซึ่งตรงกับที่พบจริง คือได้คำมา แต่โครงสร้างมักหายไป

Adobe Acrobat Standard และ Pro ส่งออกเป็น Word ผ่านเครื่องมือ Export PDF และรันการรู้จำข้อความกับหน้าสแกนโดยอัตโนมัติ Acrobat เป็นบริการแบบสมัครสมาชิกที่เสียเงิน และ Acrobat Reader แบบฟรีไม่มีฟีเจอร์ส่งออกนี้ ตัวแปลงบนเบราว์เซอร์อยู่ตรงกลางระหว่างสองแบบนี้ คือไม่ต้องติดตั้ง ใช้ได้กับทุกระบบปฏิบัติการ และมักให้เลือกระหว่างข้อความที่ไหลต่อเนื่องกับเลย์เอาต์ที่ตรงต้นฉบับ ในหน้าแปลง PDF เป็น Word ตัวเลือก การรู้จำข้อความ (OCR) ที่ตั้งเป็นอัตโนมัติจะอ่านเฉพาะหน้าที่ไม่มีเลเยอร์ข้อความ และ ภาษาของเอกสาร กำหนดชุดอักษรของ OCR สำหรับไฟล์สแกนที่ไม่ใช่ภาษาอังกฤษ

PDF Reflow ของ Word อยู่ในหน้าต่าง Open ธรรมดา คนจำนวนมากจึงไม่เคยสังเกตเห็น ใช้ได้ใน Word 2013, 2016, 2019, 2021 และ Microsoft 365 บน Windows Word จะแสดงข้อความแจ้งว่าจะแปลง PDF เป็นเอกสารที่แก้ไขได้ อาจใช้เวลาสักครู่ และผลลัพธ์อาจไม่เหมือนต้นฉบับทุกประการ โดยเฉพาะหากไฟล์มีกราฟิกจำนวนมาก คลิก OK แล้วสำเนาที่แปลงแล้วจะเปิดเป็นเอกสารใหม่ที่ยังไม่ได้บันทึก ส่วนไฟล์ PDF จะไม่ถูกเปลี่ยนแปลงเลย

เอกสารของ Microsoft เองระบุองค์ประกอบที่อาจแปลงไม่ได้ เช่น เชิงอรรถที่คาบเกี่ยวหลายหน้า อ้างอิงท้ายเรื่อง บุ๊กมาร์กและความคิดเห็นใน PDF และเอฟเฟกต์ของฟอนต์ เช่น เรืองแสงหรือเงา ในทางปฏิบัติ Word มักเปลี่ยนแถบด้านข้าง ข้อความคำคม และหน้านิตยสารหลายคอลัมน์ให้เป็นกล่องข้อความลอย ซึ่งดูถูกต้องแต่แก้ไขยาก นอกจากนี้ Word ไม่มีการตั้งค่าภาษาของไฟล์สแกน ข้อความที่มีเครื่องหมายกำกับเสียงหรือไม่ใช่อักษรละตินในหน้าสแกนจึงได้ผลไม่แน่นอน อย่างไรก็ตาม สำหรับจดหมายหน้าเดียวหรือรายงานธรรมดา มักเป็นวิธีที่เร็วที่สุด และผลลัพธ์อยู่ในโปรแกรมแก้ไขที่คุณจะใช้อยู่แล้ว

เอกสารที่เป็นข้อความคอลัมน์เดียวและมีหัวข้อจริงแปลงได้ดีกับเครื่องมือเกือบทุกตัว เช่น จดหมาย เรียงความ สัญญา และรายงานส่วนใหญ่ ตัวหนา ตัวเอียง รายการแบบมีสัญลักษณ์ และตารางง่าย ๆ ที่มองเห็นเส้นขอบมักจะคงอยู่ รูปภาพจะติดมาด้วยตราบใดที่ตัวแปลงเก็บรูปไว้ ซึ่งในการแปลงผ่านเบราว์เซอร์คือตัวเลือก คงรูปภาพไว้ ที่เปิดไว้เป็นค่าเริ่มต้นสำหรับ DOCX ส่วนไฮเปอร์ลิงก์มักคงอยู่หากเป็นลิงก์จริงใน PDF แต่ข้อความสีน้ำเงินขีดเส้นใต้ที่ไม่เคยเป็นลิงก์จะยังเป็นข้อความธรรมดา ยิ่งเลย์เอาต์ต้นฉบับเรียบง่ายและเป็นแบบแผนมากเท่าไร คุณก็จะแทบไม่รู้สึกถึงการแปลงเลย

ปัญหาเริ่มเกิดเมื่อเลย์เอาต์ของหน้ามีความหมายในตัวเอง ข้อความสองคอลัมน์อาจถูกอ่านข้ามแถวแทนที่จะอ่านลงมาทีละคอลัมน์ ตารางที่ไม่มีเส้นแบ่งตรวจจับได้ยากและอาจกลายเป็นบรรทัดที่คั่นด้วยแท็บ ส่วนหัว ส่วนท้าย และเลขหน้าถูกวาดซ้ำในทุกหน้าเป็นข้อความธรรมดา จึงมักไปอยู่กลางเนื้อหาหน้าละหนึ่งครั้ง ช่องกรอกในแบบฟอร์มจะถูกทำให้แบนเป็นข้อความธรรมดาหรือหายไป ฟอนต์ที่ฝังอยู่ในไฟล์แต่ไม่มีในคอมพิวเตอร์ของคุณจะถูกแทนด้วยฟอนต์ที่ใกล้เคียงที่สุด ทำให้ความยาวบรรทัดเปลี่ยนไป สำหรับเอกสารที่ส่วนใหญ่เป็นตาราง สเปรดชีตเป็นปลายทางที่เหมาะกว่า ดู การดึงตารางจากรูปภาพและ PDF

ก่อนแก้ไขอะไร ให้ใช้เวลาสองนาทีตรวจผลการแปลงก่อน เพราะปัญหาด้านโครงสร้างแก้ตอนเริ่มต้นได้ง่ายกว่าหลังจากพิมพ์ข้อความใหม่ไปครึ่งหนึ่งแล้ว วางไฟล์ PDF และไฟล์ Word เทียบกันแล้วเลื่อนดูทั้งสองไฟล์ มองหาย่อหน้าที่หายไปตรงรอยต่อของหน้า ส่วนหัวที่ซ้ำอยู่ในเนื้อหา และตารางที่กลายเป็นบรรทัดกระจัดกระจาย เมื่อเปิดแสดงเครื่องหมายจัดรูปแบบ หากมีเครื่องหมายย่อหน้าท้ายทุกบรรทัด แสดงว่าได้เลย์เอาต์แบบทีละบรรทัดแทนที่จะเป็นย่อหน้า การแปลงใหม่ด้วย ข้อความต่อเนื่อง มักแก้ได้เร็วกว่าการต่อบรรทัดด้วยมือ

สำหรับหน้าที่สแกน ให้ตรวจการสะกดและใส่ใจตัวเลขเป็นพิเศษ เพราะตัวตรวจการสะกดจะไม่ตรวจตัวเลข OCR มักสับสนระหว่างเลข 0 กับตัวอักษร O, เลข 1 กับ l และเลข 5 กับ S และในใบแจ้งหนี้หรือสัญญา ตัวเลขผิดเพียงหลักเดียวสำคัญกว่าคำพิมพ์ผิดสิบคำ หากทั้งย่อหน้าอ่านไม่ออก ให้ตรวจ ภาษาของเอกสาร แล้วแปลงใหม่ก่อนแก้ด้วยมือ เมื่อเลย์เอาต์เสียหายเกินแก้ ให้คัดลอกข้อความที่สะอาดไปใส่ในเอกสารใหม่ตามเทมเพลตของคุณเอง ซึ่งมักเร็วกว่าการสะสางกล่องข้อความ

ตัวแปลงทุกตัวต้องย้อนรอยเอกสารที่เคยอยู่ในรูปแบบที่แก้ไขได้มาก่อน หาก PDF มาจากเพื่อนร่วมงาน ลูกค้า หรือไฟล์เก่าของคุณเอง ไฟล์ต้นฉบับที่เป็น DOCX, Google Docs หรือ InDesign เกือบทุกครั้งดีกว่าการแปลงใด ๆ เพราะสไตล์ครบ ตารางเป็นของจริง และการติดตามการเปลี่ยนแปลงกับความคิดเห็นยังอยู่ การส่งอีเมลสั้น ๆ ขอไฟล์ต้นฉบับช่วยประหยัดเวลาแก้ไขได้เป็นชั่วโมง และคนส่วนใหญ่ไม่ถือสา ยังช่วยเลี่ยงปัญหาที่แยบยลกว่า คือไฟล์ที่แปลงแล้วดูเหมือนเสร็จสมบูรณ์ ข้อผิดพลาดเล็ก ๆ จากการแปลงจึงอาจติดไปยังเวอร์ชันถัดไปโดยไม่มีใครสังเกต

การขอไฟล์ต้นฉบับก่อนเป็นทางเลือกที่ถูกต้องสำหรับเอกสารยาวที่จะแก้ไขมาก เทมเพลตที่จะใช้ซ้ำ เอกสารที่มีตารางหรือแบบฟอร์มซับซ้อน และเอกสารทางกฎหมายหรือการเงินที่ตัวเลขอ่านผิดเพียงหลักเดียวก็เสี่ยง ส่วนการแปลงเหมาะเมื่อไม่มีไฟล์ต้นฉบับแล้ว เมื่อ PDF เป็นการสแกนกระดาษที่ไม่เคยมีต้นฉบับดิจิทัล หรือเมื่อต้องการยกมาเพียงไม่กี่ย่อหน้า ในกรณีนั้น ตัวแปลง PDF ยังให้ผลเป็นข้อความธรรมดาได้ด้วย ซึ่งสะอาดกว่าสำหรับการอ้างอิงมากกว่าไฟล์ Word ที่จัดรูปแบบครบ

PDF ที่ลงนามหรือรับรองแล้วเป็นกรณีพิเศษ การแปลงเป็น Word จะลบลายเซ็นและความสมบูรณ์ของลายเซ็นออก ดังนั้นให้ถือว่าไฟล์ Word เป็นสำเนาสำหรับทำงานเท่านั้น หากต้องส่งฉบับที่แก้ไขกลับไป ให้แก้ในสำเนา Word ส่งออกเป็น PDF อีกครั้ง และลงนามใหม่ อย่านำไฟล์ที่แปลงแล้วไปเสนอเป็นต้นฉบับที่ลงนาม เช่นเดียวกับ PDF ที่มีใบรับรองหรือตราประทับอย่างเป็นทางการ เครื่องหมายที่มองเห็นอาจยังอยู่ แต่หลักฐานดิจิทัลของมันจะไม่คงอยู่