PDF na DOCX

Odczytywanie struktury ze współrzędnych

PDF nie ma akapitów. Ma glify, każdy z pozycją, rozmiarem i czcionką, a wszystko, co czytelnik postrzega jako strukturę, jest efektem tego, gdzie te glify zostały umieszczone. Konwersja do Worda oznacza odtworzenie tej struktury — i to właśnie to wnioskowanie, a nie format pliku, jest całym problemem.

Znaki dzielące linię bazową stają się wierszem. Poziome odstępy szersze niż jedna piąta rozmiaru czcionki stają się spacjami, bo PDF może pozycjonować każde słowo ręcznie i nie zapisywać żadnych spacji. Wiersze tworzą akapit, dopóki coś nie powie inaczej: odstęp większy niż interlinia, zmiana rozmiaru, nowe wcięcie albo poprzedni wiersz, który skończył się przed krawędzią kolumny — bo tak z zewnątrz wygląda ostatni wiersz akapitu.

Przełączniki na pasku narzędzi

Odtwórz akapity

Scala wizualne wiersze z powrotem w płynące akapity, łącząc słowa, które zecer podzielił przy przejściu do nowego wiersza. Przełącz na „każdy wiersz osobno” dla poezji, kodu, formularzy i wszystkiego, gdzie podział wiersza jest treścią.

Strony

Odczytuje tylko zakres. Przy długim raporcie to różnica między sekundą a minutą, bo prawie cały czas idzie na parsowanie stron.

Nagłówki

Awansuje krótkie wiersze wyraźnie większe od tekstu podstawowego do Nagłówków 1–4, dzięki czemu wynik ma prawdziwy konspekt i panel nawigacji w Wordzie.

Listy

Rozpoznaje glify punktorów oraz znaczniki 1. / a) / iv., usuwa je z tekstu i odtwarza element jako prawdziwą listę Worda, wciętą do poziomu wynikającego z układu.

Usuń nagłówki stron

Pomija wiersze powtarzające się u góry lub u dołu większości stron oraz wiersze będące wyłącznie numerem strony. Bez tego nagłówek strony pojawia się raz na stronę w środku dokumentu.

Podziały stron

Zachowuje jawny podział tam, gdzie kończyła się każda strona PDF. Domyślnie wyłączone, bo dokument Worda przepływa na nowo, a podział w środku zdania jest gorszy niż brak podziału.

Gdzie wnioskowanie się poddaje

• Zeskanowane strony. Skan to obraz słów. Zamiana go z powrotem na słowa to OCR, którego to narzędzie nie wykonuje — takie strony są przenoszone jako obrazy, aby dokument pozostał kompletny, a każda z nich jest wymieniona w raporcie.
• Tabele. Tabele z liniami zwykle trafiają do wyniku jako tekst w kolejności czytania. Odróżnienie prawdziwej tabeli od tekstu, który po prostu się wyrównuje, to zgadywanie, a błędne zgadnięcie miesza treść, zamiast tylko gubić siatkę.
• Pogrubienie i kursywa. Grubość i pochylenie da się odzyskać tylko wtedy, gdy PDF odwołuje się do czcionki, zamiast ją osadzać. Gdy tak nie jest, nagłówki i tak wychodzą pogrubione, bo są nagłówkami, a tekst podstawowy wychodzi zwykły.
• Strona jako obraz. Word przepływa na nowo, a PDF nie, więc wynik odtwarza strukturę, a nie pozycje pikseli. Jeśli liczy się układ wizualny, PDF już wykonuje to zadanie.

Najczęstsze pytania

Jak PDF w ogóle może stać się edytowalnym plikiem Word?

PDF nie przechowuje akapitów — przechowuje glify we współrzędnych. Konwerter odczytuje więc geometrię z powrotem: znaki na tej samej wysokości stają się wierszem, odstępy między wierszami decydują, gdzie kończy się jeden akapit i zaczyna następny, a wiersze większe od przeciętnych stają się nagłówkami. Wynikiem jest prawdziwy .docx z prawdziwymi stylami akapitów i list, a nie jeden wielki blok tekstu.

Czy działa na zeskanowanym PDF-ie?

Tylko częściowo. Skan zawiera obrazy słów, a nie słowa, a odczytanie ich wymaga OCR, którego to narzędzie nie wykonuje. Strony bez warstwy tekstowej są przenoszone jako obrazy, więc dokument pozostaje kompletny, a każda z nich jest raportowana, abyś wiedział, które strony trzeba by przepisać.

Dlaczego układ nie pokrywa się dokładnie z PDF-em?

Bo dokument Worda przepływa na nowo, a PDF nie. Konwerter odtwarza strukturę — nagłówki, akapity, listy, wyrównanie, wcięcia — a nie pozycje pikseli, i to właśnie czyni wynik edytowalnym. Jeśli zamiast tego chcesz zachować układ wizualny, PDF już wykonuje to zadanie.

Co dzieje się z tabelami i kolumnami?

Tabela z liniami zwykle wraca jako tekst w kolejności czytania, a nie jako tabela Worda: odróżnienie prawdziwej tabeli od tekstu, który akurat jest wyrównany, to zgadywanie bez obramowań, a błędne zgadnięcie miesza treść. Strony wielokolumnowe są czytane kolumna po kolumnie, gdy odstępy czynią kolumny oczywistymi, a od lewej do prawej w pozostałych przypadkach.

Czy mogę przekonwertować tylko część dokumentu?

Tak. Ustaw pierwszą i ostatnią stronę na pasku narzędzi, a odczytany zostanie tylko ten zakres. Warto to zrobić przy długim raporcie: większość czasu konwersji idzie na parsowanie stron, których możesz nie potrzebować.

Do czego służą przełączniki nagłówków i numerów stron?

Nagłówek lub stopka strony powtarza się na każdej stronie PDF i bez tego pojawiłaby się dziesiątki razy w środku Twojego dokumentu Word. Przy włączonym usuwaniu pomijane są wiersze powtarzające się u góry lub u dołu większości stron oraz wiersze będące wyłącznie numerem strony.