PDFをDOCXに

座標から構造を読み戻す

PDFに段落はありません。あるのはグリフだけで、それぞれが位置とサイズとフォントを持ち、読み手が構造として感じ取るものはすべて、そのグリフがどこに置かれたかの結果にすぎません。PDFをWordに変換するとは、その構造を推論し直すことです。そしてファイル形式ではなく、この推論こそが問題のすべてです。

同じベースラインを共有する文字が1行になります。フォントサイズの5分の1より広い水平方向の隙間は語間のスペースになります。PDFは1語ずつ手で位置を決められ、スペースを一切符号化しないこともあるからです。行は、何かが否定するまで1つの段落として扱われます。行送りより大きな空き、サイズの変化、新しい字下げ、あるいは段の右端よりかなり手前で終わっている前の行 — 外から見れば、それこそが段落の最終行の姿です。

ツールバーのスイッチ

段落を組み直す

見た目の行を流れる段落へ結合し、行末でハイフン分割された語をつなぎ直します。詩・コード・帳票など、改行そのものが内容であるものには「1行ずつ」に切り替えてください。

ページ

指定した範囲だけを読み込みます。長い報告書では、これが数秒と数分の差になります。処理時間のほとんどはページの解析に費やされるからです。

見出し

本文よりはっきり大きい短い行を見出し1〜4に昇格させます。結果の文書にちゃんとしたアウトラインができ、Wordのナビゲーションウィンドウが使えるようになります。

リスト

箇条書きのグリフや 1. / a) / iv. といった記号を認識し、本文から取り除いたうえで、レイアウトが示していた階層に字下げした本物のWordのリストとして組み直します。

ヘッダーを除去

多くのページの上端や下端で繰り返される行と、ページ番号だけの行を落とします。これがないと、共通ヘッダーが文書の途中にページ数だけ現れることになります。

改ページ

PDFの各ページが終わった位置に明示的な改ページを残します。既定ではオフです。Word文書は文字が流れ直すため、文の途中の改ページは改ページなしより厄介だからです。

推論が及ばないところ

• スキャンされたページ。 スキャンは文字の画像です。それを文字に戻すのはOCRであり、このツールは行いません — そうしたページは文書を欠けさせないために画像として引き継ぎ、どのページかをレポートに記載します。
• 表。 罫線のある表はたいてい、読み順に並んだテキストとして出てきます。本物の表と、たまたま揃っているだけのテキストを見分けるのは当て推量であり、外すと罫線を失うどころか内容そのものが混ざってしまいます。
• 太字と斜体。 太さと傾きを取り戻せるのは、PDFがフォントを埋め込まずに参照していた場合だけです。そうでない場合でも、見出しは見出しであるがゆえに太字で出力され、本文は普通の書体になります。
• 絵としてのページ。 Wordは文字が流れ直し、PDFは流れません。そのため結果はピクセルの位置ではなく構造を再現します。見た目のレイアウトこそが大事なら、それはPDFがすでに果たしている役割です。

よくある質問

そもそもPDFが編集可能なWordファイルになるのはなぜですか？

PDFは段落を保存しません。座標上にグリフを保存しています。そこでコンバーターは幾何情報を読み戻します。同じ高さの文字は1行になり、行間の空き方で段落の切れ目を判断し、平均より大きい行は見出しになります。結果は、巨大な1かたまりのテキストではなく、本物の段落スタイルとリストスタイルを持つ本物の .docx です。

スキャンしたPDFでも使えますか？

部分的にだけです。スキャンには文字ではなく文字の画像が入っており、読み戻すにはOCRが必要ですが、このツールは行いません。テキストレイヤーのないページは文書が欠けないように画像として引き継ぎ、どのページかを報告するので、打ち直しが必要な箇所が分かります。

レイアウトがPDFと完全に一致しないのはなぜですか？

Word文書は文字が流れ直し、PDFは流れないからです。コンバーターはピクセルの位置ではなく構造 — 見出し・段落・リスト・揃え・インデント — を再現します。それこそが結果を編集可能にしている理由です。見た目のレイアウトを保つことが目的なら、それはPDFがすでに果たしている役割です。

表や段組みはどうなりますか？

罫線のある表は通常、Wordの表ではなく読み順に並んだテキストとして戻ります。罫線がない状態で本物の表とたまたま揃っているテキストを見分けるのは当て推量で、外すと内容が混ざってしまうからです。多段組みのページは、間隔から段が明らかな場合は段ごとに、そうでない場合は左から右へ読み取ります。

文書の一部だけを変換できますか？

できます。ツールバーで開始ページと終了ページを指定すれば、その範囲だけが読み込まれます。長い報告書では試す価値があります。変換時間の大半は、必要ないかもしれないページの解析に費やされるからです。

ヘッダーとページ番号のスイッチは何のためにありますか？

共通のヘッダーやフッターはPDFの全ページで繰り返されるため、そのままではWord文書の途中に何十回も現れてしまいます。除去を有効にすると、多くのページの上端や下端で繰り返される行と、ページ番号だけの行が取り除かれます。