Cách chuyển PDF sang Word: 4 cách, OCR và lỗi thường gặp

Adobe tạo ra PDF năm 1993 để một tài liệu in ra giống hệt nhau trên mọi máy, và đến năm 2008 định dạng này trở thành tiêu chuẩn quốc tế ISO 32000-1. Để giữ lời hứa đó, một trang PDF là danh sách các lệnh vẽ: đặt các ký tự này tại tọa độ này với phông chữ này, vẽ một đường ở đây, đặt một hình ảnh ở kia. Một câu xuống dòng thứ hai thực chất chỉ là hai đoạn chữ không liên quan, tình cờ nằm trên và dưới nhau. Không có gì trong file cho biết chúng thuộc cùng một câu.

Tài liệu Word thì hoạt động ngược lại. File DOCX, được định nghĩa bởi tiêu chuẩn Office Open XML (ECMA-376, sau là ISO/IEC 29500), lưu các đoạn văn, kiểu định dạng, bảng, ngắt phần và tiêu đề đầu/cuối trang, còn Word quyết định mỗi dòng ngắt ở đâu mỗi lần dàn trang. Khi bạn thêm một từ, đoạn văn tự xuống dòng lại. Đổi lề, phông chữ hay khổ giấy thì mọi dòng đều dịch chuyển. Hành vi đó đúng là thứ bạn cần khi chỉnh sửa, và đúng là thứ PDF không bao giờ ghi lại, vì PDF đã hoàn tất ngay khi được lưu.

Vì vậy chuyển PDF sang Word là dựng lại, không phải giải nén. Công cụ chuyển đổi phải đoán những dòng nào tạo thành một đoạn văn, dòng in đậm nào là tiêu đề chứ không phải một câu ngắn in đậm, những từ thẳng hàng nào tạo thành bảng, và hai cột nên được đọc theo thứ tự nào. Công cụ tốt đoán chuẩn với tài liệu gọn gàng và đoán kém với tài liệu rối. Nếu PDF được xuất kèm thẻ (lớp cấu trúc dùng cho khả năng tiếp cận), việc đoán sẽ chính xác hơn, vì thẻ ghi rõ tiêu đề, danh sách và thứ tự đọc.

Có hai loại rất khác nhau cùng mang đuôi .pdf. PDF văn bản được xuất từ Word, Google Docs, phần mềm kế toán hoặc hộp thoại in của trình duyệt, và chứa các ký tự thật mà bạn có thể chọn, sao chép và tìm kiếm. PDF scan được tạo bởi máy scan, máy photocopy hoặc ứng dụng trên điện thoại, và mỗi trang là một bức ảnh chụp tờ giấy. Với công cụ chuyển đổi, một trang scan hoàn toàn không chứa chữ nào, chỉ có điểm ảnh, kể cả khi chữ trên màn hình trông rất sắc nét. Tên file và biểu tượng không cho bạn biết gì; hai loại trông giống hệt nhau trong trình quản lý file.

Một trang scan phải qua nhận dạng ký tự quang học (OCR) trước khi có thể cho ra nội dung chỉnh sửa được. OCR nhìn hình dạng các chữ cái và biến chúng thành văn bản, và độ chính xác phụ thuộc vào độ phân giải, độ tương phản, độ nghiêng và ngôn ngữ. Bản scan 300 dpi chữ đen nền trắng sạch sẽ được đọc gần như hoàn hảo; ảnh chụp điện thoại nghiêng dưới đèn bàn thì đoạn nào cũng có lỗi chính tả. Công cụ không có OCR sẽ trả về tài liệu trống hoặc file Word mà mỗi trang chỉ là một bức ảnh dán vào.

Nhiều file thực tế là loại hỗn hợp: hợp đồng xuất dạng văn bản với trang chữ ký được scan ở cuối, hoặc báo cáo có phụ lục là các biên lai scan. Công cụ kiểm tra từng trang riêng biệt xử lý các file này tốt nhất, vì nó đọc trực tiếp các trang văn bản và chỉ dùng OCR ở nơi cần thiết, nên các trang xuất ra vẫn chính xác từng ký tự. Nếu bạn tự scan, hướng dẫn về scan tài liệu sang PDF nêu độ phân giải và ánh sáng giúp OCR đạt kết quả tốt nhất.

Microsoft Word mở trực tiếp PDF từ Word 2013, bằng tính năng Microsoft gọi là PDF Reflow. Đây là lựa chọn hiển nhiên nếu máy đã cài Word, và nó xử lý tốt các thư và báo cáo đơn giản. Mỗi lần chỉ chuyển được một file. Google Docs có cách tương tự qua Google Drive. Trang trợ giúp về chuyển PDF sang văn bản của Google khuyên dùng file từ 2 MB trở xuống và cho biết danh sách, bảng, cột, chú thích cuối trang và chú thích cuối tài liệu khó được nhận dạng, đúng với thực tế: chữ thì có, cấu trúc thì thường mất.

Adobe Acrobat Standard và Pro xuất sang Word bằng công cụ Export PDF và tự động nhận dạng văn bản trên các trang scan. Acrobat là dịch vụ trả phí theo gói đăng ký, còn Acrobat Reader miễn phí không có tính năng xuất. Công cụ chuyển đổi trên trình duyệt nằm giữa hai bên: không cần cài đặt, chạy trên mọi hệ điều hành và thường cho chọn giữa văn bản liền mạch và bố cục chính xác. Ở trang PDF sang Word, Nhận dạng văn bản (OCR) ở chế độ Auto chỉ đọc các trang không có lớp văn bản, còn Ngôn ngữ tài liệu đặt bảng chữ cái OCR cho các bản scan không phải tiếng Anh.

PDF Reflow của Word nằm ngay trong hộp thoại Open thông thường, nên nhiều người không để ý. Tính năng này hoạt động trong Word 2013, 2016, 2019, 2021 và Microsoft 365 trên Windows. Word hiện thông báo rằng nó sẽ chuyển PDF thành tài liệu chỉnh sửa được, quá trình có thể mất một lúc và kết quả có thể không giống hệt bản gốc, nhất là khi file có nhiều đồ họa. Nhấn OK và bản đã chuyển sẽ mở thành một tài liệu mới chưa lưu; bản thân file PDF không bao giờ bị thay đổi.

Tài liệu của chính Microsoft liệt kê các thành phần có thể không chuyển được, gồm chú thích cuối trang kéo dài hơn một trang, chú thích cuối tài liệu, dấu trang và nhận xét của PDF, cùng các hiệu ứng phông chữ như phát sáng hoặc đổ bóng. Trên thực tế, Word còn hay biến cột bên, trích dẫn nổi bật và các trang tạp chí nhiều cột thành hộp văn bản nổi, trông đúng nhưng chỉnh sửa rất mệt. Word cũng không có cài đặt ngôn ngữ cho bản scan, nên chữ có dấu hoặc không phải chữ Latin trên trang scan lúc đúng lúc sai. Tuy vậy, với một lá thư một trang hoặc báo cáo đơn giản, đây thường là cách nhanh nhất, và kết quả đã nằm sẵn trong trình soạn thảo bạn sẽ dùng.

Văn bản một cột có tiêu đề thật chuyển tốt với mọi công cụ: thư, bài luận, hợp đồng, phần lớn báo cáo. In đậm, in nghiêng, danh sách gạch đầu dòng và bảng đơn giản có viền rõ thường được giữ lại. Hình ảnh được giữ nếu công cụ giữ chúng, với cách dùng trình duyệt thì đó là tùy chọn Giữ hình ảnh, mặc định bật cho DOCX. Siêu liên kết thường được giữ khi đó là liên kết thật trong PDF; chữ màu xanh gạch chân vốn không phải liên kết thì vẫn chỉ là chữ thường. Bố cục gốc càng gọn gàng và quen thuộc, bạn càng ít nhận ra có sự chuyển đổi.

Rắc rối bắt đầu ở nơi bố cục trang mang ý nghĩa. Văn bản hai cột có thể bị đọc ngang thay vì đọc xuống. Bảng không có đường kẻ khó nhận dạng và có thể thành các dòng ngăn cách bằng tab. Tiêu đề đầu trang, chân trang và số trang được vẽ trên mỗi trang như chữ thường, nên thường rơi vào giữa nội dung, mỗi trang một lần. Ô biểu mẫu điền được bị làm phẳng thành chữ thường hoặc mất. Phông chữ nhúng không có trên máy bạn bị thay bằng phông gần nhất, làm đổi độ dài dòng. Với tài liệu chủ yếu là bảng, bảng tính là đích đến tốt hơn; xem trích xuất bảng từ ảnh và PDF.

Trước khi chỉnh sửa gì, hãy dành hai phút kiểm tra kết quả chuyển đổi, vì lỗi cấu trúc dễ sửa ngay từ đầu hơn là sau khi đã viết lại một nửa nội dung. Đặt file PDF và file Word cạnh nhau rồi cuộn qua cả hai. Tìm đoạn bị thiếu ở ranh giới giữa các trang, tiêu đề lặp trong nội dung và bảng biến thành các dòng rời rạc. Khi bật dấu định dạng, nếu cuối mỗi dòng có một dấu đoạn thì bạn nhận được bố cục theo từng dòng thay vì theo đoạn văn; chuyển đổi lại với Văn bản liền mạch thường nhanh hơn việc nối dòng bằng tay.

Với các trang scan, hãy chạy kiểm tra chính tả và đặc biệt chú ý các con số, thứ mà công cụ kiểm tra chính tả bỏ qua. OCR hay nhầm chữ số 0 với chữ O, 1 với l, và 5 với S, và trong hóa đơn hay hợp đồng, một chữ số sai quan trọng hơn mười lỗi chính tả. Nếu cả đoạn văn bị loạn chữ, hãy kiểm tra Ngôn ngữ tài liệu và chuyển đổi lại trước khi sửa tay. Khi bố cục không cứu nổi, hãy chép phần văn bản sạch sang một tài liệu mới theo mẫu của riêng bạn; việc này thường nhanh hơn gỡ rối các hộp văn bản.

Mọi công cụ chuyển đổi đều đang dựng ngược một tài liệu vốn đã tồn tại ở dạng chỉnh sửa được ở đâu đó. Nếu PDF đến từ đồng nghiệp, khách hàng hoặc chính bạn trước đây, file DOCX, Google Doc hoặc InDesign gốc hầu như luôn tốt hơn mọi bản chuyển đổi: kiểu định dạng còn nguyên, bảng là bảng thật, các thay đổi theo dõi và nhận xét được giữ lại. Một email ngắn xin file gốc có thể tiết kiệm cả giờ dọn dẹp, và hiếm ai phiền lòng. Nó cũng tránh một vấn đề tinh vi hơn: file đã chuyển trông như đã hoàn chỉnh, nên các lỗi nhỏ do chuyển đổi có thể lọt sang phiên bản sau mà không ai nhận ra.

Nên xin file gốc trước với tài liệu dài mà bạn sẽ sửa nhiều, mẫu bạn sẽ dùng lại, mọi thứ có bảng hoặc biểu mẫu phức tạp, và tài liệu pháp lý hay tài chính nơi một chữ số đọc sai cũng là rủi ro. Nên chuyển đổi khi file gốc đã mất, khi PDF là bản scan của giấy chưa từng có bản số, hoặc khi bạn chỉ cần lấy vài đoạn. Trong trường hợp đó, công cụ chuyển đổi PDF còn xuất được văn bản thuần, gọn hơn để trích dẫn so với file Word đầy đủ định dạng.

PDF đã ký hoặc có chứng thực là trường hợp đặc biệt. Chuyển sang Word sẽ xóa chữ ký và hiệu lực của nó, nên hãy coi file Word chỉ là bản làm việc. Nếu cần gửi lại bản đã chỉnh sửa, hãy sửa trong bản Word, xuất lại thành PDF và ký lại; đừng đưa file đã chuyển ra như bản gốc đã ký. Điều này cũng áp dụng cho PDF có chứng nhận hoặc con dấu chính thức: dấu hiệu hiển thị có thể còn, nhưng bằng chứng số của nó thì không.