PDF в DOCX

Восстановление структуры из координат

В PDF нет абзацев. В нём есть глифы — у каждого своя позиция, размер и шрифт, — и всё, что читатель воспринимает как структуру, есть лишь следствие того, где эти глифы расставлены. Конвертировать PDF в Word — значит вывести эту структуру обратно, и именно этот вывод, а не формат файла, и есть вся задача.

Символы на общей базовой линии становятся строкой. Горизонтальные промежутки шире пятой части размера шрифта становятся пробелами между словами, потому что PDF волен расставлять каждое слово вручную и не кодировать пробелы вовсе. Строки образуют абзац, пока что-то не скажет обратное: промежуток больше интерлиньяжа, смена размера, новый отступ или предыдущая строка, оборвавшаяся раньше края колонки, — именно так снаружи выглядит последняя строка абзаца.

Переключатели на панели инструментов

Собрать абзацы

Объединяет визуальные строки обратно в связные абзацы, склеивая слова, которые наборщик перенёс через разрыв строки. Переключитесь на «каждая строка отдельно» для стихов, кода, форм и всего, где разрыв строки — часть содержимого.

Страницы

Читать только диапазон. На длинном отчёте это разница между секундой и минутой, поскольку почти всё время уходит на разбор страниц.

Заголовки

Повышает короткие строки, заметно крупнее основного текста, до заголовков 1–4, чтобы у результата была настоящая структура и панель навигации в Word.

Списки

Распознаёт маркеры и обозначения вроде 1. / a) / iv., убирает их из текста и собирает пункт как настоящий список Word с отступом на уровень, который подразумевала вёрстка.

Убирать колонтитулы

Отбрасывает строки, которые повторяются вверху или внизу большинства страниц, и строки, состоящие только из номера страницы. Без этого колонтитул появлялся бы по разу на страницу прямо посреди вашего документа.

Разрывы страниц

Сохраняет явный разрыв там, где заканчивалась каждая страница PDF. По умолчанию выключено, потому что документ Word перетекает, и разрыв посреди предложения хуже, чем его отсутствие.

Где вывод структуры сдаётся

• Отсканированные страницы. Скан — это картинка слов. Превратить её обратно в слова — задача OCR, которого этот инструмент не делает; такие страницы переносятся как изображения, чтобы документ остался полным, и каждая из них указывается в отчёте.
• Таблицы. Таблицы с линейками обычно приходят как их текст в порядке чтения. Отличить настоящую таблицу от текста, который просто выровнен, — гадание, а ошибка в гадании перемешивает содержимое, а не просто теряет сетку.
• Жирный и курсив. Насыщенность и наклон можно восстановить только тогда, когда PDF ссылается на шрифт, а не встраивает его. Там, где это не так, заголовки всё равно выходят жирными, потому что они заголовки, а основной текст — обычным.
• Страница как картинка. Word перетекает, а PDF — нет, поэтому результат воспроизводит структуру, а не позиции пикселей. Если важен именно визуальный макет, PDF уже с этим справляется.

Часто задаваемые вопросы

Как PDF вообще может стать редактируемым файлом Word?

PDF не хранит абзацы — он хранит глифы в координатах. Поэтому конвертер читает геометрию обратно: символы на одной высоте становятся строкой, расстояние между строками определяет, где заканчивается один абзац и начинается следующий, а строки крупнее среднего становятся заголовками. Результат — настоящий .docx с настоящими стилями абзацев и списков, а не один гигантский блок текста.

Работает ли он с отсканированным PDF?

Только отчасти. Скан содержит картинки слов, а не слова, и чтобы прочитать их обратно, нужен OCR, которого этот инструмент не делает. Страницы без текстового слоя переносятся как изображения, чтобы документ остался полным, и о каждой из них сообщается — так вы знаете, какие страницы пришлось бы набирать заново.

Почему макет не совпадает с PDF в точности?

Потому что документ Word перетекает, а PDF — нет. Конвертер воспроизводит структуру — заголовки, абзацы, списки, выравнивание, отступы, — а не позиции пикселей, и именно это делает результат редактируемым. Если же нужно сохранить визуальный макет, PDF уже делает эту работу.

Что происходит с таблицами и колонками?

Таблица с линейками обычно возвращается как её текст в порядке чтения, а не как таблица Word: отличить настоящую таблицу от текста, который случайно выровнен, без границ — гадание, а ошибка перемешивает содержимое. Многоколоночные страницы читаются колонка за колонкой, когда интервалы делают колонки очевидными, и слева направо в остальных случаях.

Можно ли конвертировать только часть документа?

Да. Задайте первую и последнюю страницу на панели инструментов, и будет прочитан только этот диапазон. На длинном отчёте это того стоит: большая часть времени конвертации уходит на разбор страниц, которые вам, возможно, не нужны.

Для чего переключатели колонтитулов и номеров страниц?

Колонтитул повторяется на каждой странице PDF и иначе появился бы десятки раз посреди вашего документа Word. Со включённой обрезкой строки, повторяющиеся вверху или внизу большинства страниц, и строки, состоящие только из номера страницы, пропускаются.