Як конвертувати PDF у Word: 4 способи, OCR і що ламається

Adobe створила PDF у 1993 році, щоб документ однаково друкувався на будь-якому комп’ютері, а в 2008 році формат став міжнародним стандартом ISO 32000-1. Щоб дотримати цієї обіцянки, сторінка PDF є списком інструкцій для малювання: розмістити ці гліфи в цих координатах цим шрифтом, провести тут лінію, поставити там зображення. Речення, що переноситься на другий рядок, — це просто два не пов’язані між собою фрагменти тексту, які опинилися один над одним. Ніщо у файлі не вказує, що вони належать разом.

Документ Word працює навпаки. Файл DOCX, описаний стандартом Office Open XML (ECMA-376, пізніше ISO/IEC 29500), зберігає абзаци, стилі, таблиці, розриви розділів і колонтитули, а Word щоразу сам вирішує, де переносити рядки. Додаєте слово — абзац перебудовується. Змінюєте поля, шрифт чи розмір паперу — кожен рядок зсувається. Саме цього ви хочете під час редагування, і саме цього PDF ніколи не зберігав, бо PDF був завершений у момент збереження.

Тож конвертація PDF у Word — це реконструкція, а не розпакування. Конвертер має вгадати, які рядки утворюють один абзац, який жирний рядок є заголовком, а не коротким жирним реченням, які вирівняні слова становлять таблицю і в якому порядку читати дві колонки. Хороші конвертери вгадують добре на чистих документах і погано на перевантажених. Якщо PDF експортовано з тегами (структурним шаром для доступності), здогадки точніші, бо теги явно фіксують заголовки, списки й порядок читання.

Є дві дуже різні речі, що закінчуються на .pdf. Текстовий PDF експортовано з Word, Google Docs, бухгалтерської системи чи вікна друку браузера, і він містить справжні символи, які можна виділяти, копіювати й шукати. Скановий PDF створив сканер, копіювальний апарат або мобільний застосунок, і кожна сторінка є фотографією паперу. Для конвертера скановані сторінки не містять слів, лише пікселі, навіть якщо текст на екрані виглядає чітко. Ім’я файлу та значок нічого не підкажуть: у файловому менеджері обидва види виглядають однаково.

Скановану сторінку потрібно пропустити через оптичне розпізнавання символів (OCR), перш ніж з неї вийде щось редаговане. OCR аналізує форми літер і перетворює їх на текст, а точність залежить від роздільної здатності, контрасту, перекосу та мови. Чистий скан 300 dpi чорним по білому читається майже ідеально; фото з телефона під кутом при настільній лампі дає помилки в кожному абзаці. Конвертери без OCR дають або порожній документ, або файл Word, де кожна сторінка вставлена однією картинкою.

Багато реальних файлів змішані: договір, експортований як текст, із підписаною сторінкою підпису, відсканованою в кінці, або звіт із додатком зі скановних чеків. Найкраще з такими працює конвертер, що перевіряє кожну сторінку окремо: він читає текстові сторінки напряму, а OCR застосовує лише там, де потрібно, тож експортовані сторінки зберігають точність символів. Якщо ви скануєте самі, у посібнику про сканування документів у PDF описано роздільну здатність і освітлення, за яких OCR працює найкраще.

Microsoft Word відкриває PDF напряму з версії Word 2013 за допомогою функції, яку Microsoft називає PDF Reflow. Це очевидний вибір, якщо Word уже встановлено, і він добре справляється зі звичайними листами та звітами. Конвертує по одному файлу. Google Docs пропонує схожий шлях через Google Drive. Довідка Google про перетворення PDF на текст радить файли до 2 MB і зазначає, що списки, таблиці, колонки, виноски та кінцеві виноски, імовірно, не буде розпізнано. Це збігається з практикою: слова переносяться, а структура часто ні.

Adobe Acrobat Standard і Pro експортують у Word через інструмент Експорт PDF і автоматично розпізнають текст на скановних сторінках. Acrobat — платна підписка, а безкоштовний Acrobat Reader експорту не містить. Конвертер у браузері посідає проміжне місце: нічого встановлювати, працює в будь-якій операційній системі й зазвичай дає вибір між текучим текстом і точним макетом. На сторінці PDF у Word параметр Розпізнавання тексту (OCR) в режимі «Авто» читає лише сторінки без текстового шару, а Мова документа задає алфавіт OCR для сканів не англійською.

PDF Reflow у Word працює у звичайному діалозі «Відкрити», тому багато хто його й не помічає. Він діє у Word 2013, 2016, 2019, 2021 і Microsoft 365 на Windows. Word показує повідомлення, що перетворить PDF на редагований документ, що це може тривати певний час і що результат може не збігатися з оригіналом, особливо якщо в файлі багато графіки. Натисніть OK, і конвертована копія відкриється як новий незбережений документ; сам PDF не змінюється.

У документації Microsoft перелічено елементи, які можуть не конвертуватися: виноски на кількох сторінках, кінцеві виноски, закладки й коментарі PDF, а також ефекти шрифту, як-от сяйво чи тінь. На практиці Word також часто перетворює бічні колонки, цитати та багатоколонкові журнальні сторінки на плаваючі текстові поля: вони виглядають правильно, але їх обтяжливо редагувати. Крім того, у Word немає параметра мови скана, тож текст із діакритикою чи не латиницею на скановних сторінках розпізнається як пощастить. Проте для листа на одну сторінку чи простого звіту це часто найшвидший шлях, а результат одразу відкритий у редакторі, яким ви користуватиметеся.

Одноколонковий основний текст зі справжніми заголовками добре конвертується будь-яким інструментом: листи, есе, договори, більшість звітів. Жирний шрифт, курсив, маркіровані списки та прості таблиці з видимими межами зазвичай зберігаються. Зображення переносяться, якщо конвертер їх зберігає: у браузері це параметр Зберегти зображення, увімкнений за замовчуванням для DOCX. Гіперпосилання загалом зберігаються, якщо в PDF це були справжні посилання; синій підкреслений текст, який ніколи не був посиланням, залишається звичайним текстом. Чим чистіший і традиційніший оригінальний макет, тим менше ви помітите конвертацію.

Проблеми починаються там, де сенс несе макет сторінки. Дволколонковий текст можуть прочитати впоперек замість зверху вниз. Таблиці без ліній важко розпізнати, і вони можуть прийти як рядки з табуляцією. Колонтитули й номери сторінок намальовані на кожній сторінці як звичайний текст, тому часто потрапляють посеред основного тексту — по разу на сторінку. Поля форм, що заповнюються, стають простим текстом або губляться. Вбудовані шрифти, яких немає на вашому комп’ютері, замінюються найближчими, що змінює довжину рядків. Для документів, які здебільшого складаються з таблиць, краще підходить електронна таблиця; див. як витягти таблиці із зображень і PDF.

Перш ніж щось редагувати, витратьте дві хвилини на перевірку конвертації: структурну проблему легше виправити на початку, ніж після того, як ви перепишете половину тексту. Покладіть PDF і файл Word поруч і прокрутіть обидва. Шукайте пропущені абзаци на межі сторінок, колонтитули, що повторюються в тексті, і таблиці, які перетворилися на розрізнені рядки. Якщо ввімкнути позначки форматування, а в кінці кожного рядка стоїть знак абзацу, значить, ви отримали розмітку по рядках замість абзаців; повторна конвертація з параметром Плинний текст зазвичай виправляє це швидше, ніж ручне об’єднання рядків.

Для відсканованих сторінок запустіть перевірку правопису й приділіть особливу увагу числам, які засоби перевірки ігнорують. OCR часто плутає цифру 0 з літерою O, 1 з l, а 5 з S, і в рахунку чи договорі одна хибна цифра важить більше, ніж десять помилок у словах. Якщо цілі абзаци спотворені, перевірте Мова документа і конвертуйте ще раз, перш ніж виправляти вручну. Коли макет не піддається відновленню, скопіюйте чистий текст у новий документ на основі власного шаблону; це часто швидше, ніж розплутувати текстові поля.

Кожен конвертер відтворює документ, який десь уже існував у редагованому вигляді. Якщо PDF прислав колега, клієнт або ви самі колись раніше, оригінальний файл DOCX, Google Docs чи InDesign майже завжди кращий за будь-яку конвертацію: стилі цілі, таблиці справжні, зміни й коментарі збережені. Один короткий лист із проханням надіслати джерело може заощадити годину виправлень, і люди рідко проти. Це також уникає тоншої проблеми: сконвертований файл виглядає завершеним, тому дрібні помилки конвертації можуть непомітно потрапити в наступну версію.

Спершу попросити оригінал варто для довгих документів, які ви сильно редагуватимете, для шаблонів, які використовуватимете знову, для всього зі складними таблицями чи формами, а також для юридичних і фінансових документів, де одна неправильно прочитана цифра є ризиком. Конвертувати слід, коли джерело втрачено, коли PDF — скан паперу, що ніколи не мав цифрового оригіналу, або коли потрібно лише взяти кілька абзаців. У такому разі конвертер PDF також видає простий текст, який чистіший для цитування, ніж повністю відформатований файл Word.

Підписаний або сертифікований PDF — особливий випадок. Конвертація у Word прибирає підпис і його чинність, тому розглядайте файл Word лише як робочу копію. Якщо потрібно надіслати відредаговану версію назад, внесіть зміни в копії Word, експортуйте її знову в PDF і підпишіть знову; не видавайте сконвертований файл за підписаний оригінал. Те саме стосується PDF із сертифікацією або офіційною печаткою: візуальний знак може зберегтися, але його цифровий доказ — ні.