Kdo někdy převáděl PDF do Wordu, to zná. Dokument na první pohled vypadá stejně, ale jakmile do něj začnete psát, rozpadne se. Každý řádek je v samostatném rámečku, text nepřetéká na další řádek a oprava jednoho slova znamená posouvat půl stránky. U naskenovaných dokumentů je to ještě horší: obvykle z nich nevypadne žádný text, jen obrázek stránky.
Převod PDF do DOCX, DOC, ODT a RTF jsme proto přepracovali. Výsledkem je dokument, který se dá normálně upravovat, a to i když jste nahráli sken.
Proč PDF nejde jen tak otevřít ve Wordu
PDF vzniklo proto, aby dokument vypadal na každém zařízení stejně. Text proto neukládá tak, jak jste ho psali, ale tak, jak se vytiskne: znaky a kousky řádků s přesnou polohou na stránce. Že tři řádky tvoří jeden odstavec, že tučný řádek je nadpis nebo že čáry kolem čísel jsou tabulka, v souboru většinou zapsané není.
Formát sice umí uložit i logickou strukturu dokumentu (takzvané „tagged PDF“), ale jen když se o to postará program, který PDF vytváří. Podle popisu formátu PDF v Library of Congress ji mnoho souborů vzniklých „tiskem do PDF“ nemá. Převodník pak musí strukturu odhadnout z rozložení stránky.
Řada převodníků ji neodhaduje vůbec a každý řádek položí do textového pole na původní místo. Dokument vypadá jako originál, jenže upravovat se nedá. Opačný extrém je vysypat prostý text a přijít o odstavce, tabulky i obrázky.
Co převod dělá teď
- Řádky složí zpět do odstavců, takže text při úpravách přetéká jako v běžném dokumentu.
- Tabulky ohraničené čarami převede na skutečné tabulky Wordu, obrázky zůstanou v textu.
- Když se rekonstrukce u nějakého PDF nepovede, dostanete místo chyby aspoň dokument, který vypadá jako originál (řádky v textových polích).
Naskenované dokumenty: nejdřív přečíst, potom poskládat
Sken je v PDF jen obrázek stránky, text v něm není. Převodník to pozná sám a nejdřív text rozpozná (OCR). V latince hledá češtinu, slovenštinu, němčinu a angličtinu. Podle písma první stránky si poradí i s azbukou, řečtinou, arabštinou, hebrejštinou, japonštinou, čínštinou a korejštinou.
Rozpoznaný text ale ještě není dokument. OCR vrací jednotlivá slova s polohou na stránce a v zarovnaném textu s velkými mezerami se snadno stane, že každé slovo skončí na samostatném řádku. Přesně to se stalo u jednoho naskenovaného zápisu z jednání: přes polovinu „odstavců“ mělo jedno nebo dvě slova. Text proto skládáme podle rozvržení stránky:
- řádky se spojí do odstavců a slova rozdělená na konci řádku zase do jednoho,
- nadpisy a body seznamu zůstanou samostatně,
- odstavec, který pokračuje na další stránce, se nerozdělí,
- čísla stránek v záhlaví a zápatí zmizí.
Co od převodu čekat
U PDF, které vzniklo z Wordu nebo jiného textového editoru, bývá výsledek blízko originálu. Máte-li ale původní soubor DOCX, pracujte raději s ním.
Ze skenu dostanete čistý text po odstavcích, bez obrázků, razítek a formátování písma. Text se rozpoznává do 30 stran, delší sken se převede bez rozpoznání. Výsledek závisí na kvalitě předlohy: ručně psaný text, razítka nebo nakřivo naskenované stránky mohou přinést chyby, proto dokument před dalším použitím projděte.
Vyzkoušet to můžete na stránce převod PDF do DOCX. Stejně funguje převod do DOC, ODT a RTF, další podrobnosti o formátu najdete v popisu PDF.