PDF ke Word — Ekstrak Teks yang Bisa Diedit Tanpa Meng-upload File Anda

Mengonversi Word ke PDF adalah persoalan rendering: ambil tata letak yang sudah dijelaskan lalu gambarlah. PDF ke Word adalah kebalikannya, dan kebalikan itu tidak simetris. Berjalan ke arah sebaliknya adalah persoalan rekonstruksi, dan rekonstruksi jauh lebih sulit daripada menggambar.

PDF Menyimpan Glyph, Bukan Kalimat

File PDF tidak mencatat paragraf atau judul. Ia mencatat instruksi untuk menggambar karakter satu per satu di koordinat tertentu, itulah sebabnya mengonversi PDF ke Word berarti merekayasa balik struktur dari data posisi.

File Word berkata "ini Heading 1 yang berisi teks Laporan Kuartal". PDF berkata "pasang font F2 di 22 poin, pindah ke x=72 y=782, tampilkan glyph L-a-p-o-r-a-n". Tidak ada apa pun di file yang menandainya sebagai judul. Itu harus disimpulkan dari fakta bahwa ukurannya lebih besar dari semua di sekitarnya.

Mengapa Paragraf Harus Direkayasa Balik

Teks tiba sebagai potongan-potongan di koordinat, sering terputus di tengah kata dan kerap tanpa spasi antar kata sama sekali. Memulihkan prosa yang terbaca berarti mengelompokkan potongan menjadi baris berdasarkan posisi vertikalnya, menyisipkan spasi di tempat yang tersirat dari jarak horizontal, lalu memutuskan mana pemutusan baris yang sekadar lipatan dan mana yang batas paragraf.

Setiap langkah itu adalah heuristik. Milik kami terdokumentasi dan teruji, tetapi tetap saja tebakan, dan halaman ini menandai bagian mana dari hasil yang merupakan tebakan alih-alih menyajikan semuanya sebagai fakta.

Masalah Dokumen Hasil Pindai

PDF hasil pindai berisi gambar teks, bukan teks. Tanpa OCR, parsing seperti apa pun tidak akan memulihkan kata-katanya.

Ini kekecewaan paling umum pada konverter PDF ke Word mana pun, dan alasan begitu banyak orang menyimpulkan alat-alat itu tidak berfungsi sama sekali. Anda melepaskan kontrak yang dipindai kolega, dan mendapat kembali file Word yang tidak berisi apa-apa — biasanya tanpa penjelasan apa pun.

Apa Fungsi OCR dan Mengapa Alat Ini Tidak Memilikinya

Pengenalan karakter optik melihat gambarnya lalu menentukan bentuk mana adalah huruf apa. Ini teknologi yang benar-benar berbeda dari membaca lapisan teks, relatif lambat, dan versi berbasis browser berarti mengirimkan model pengenalan ke setiap pengunjung.

Jadi kami melakukan hal terbaik berikutnya: mendeteksi situasinya dan mengatakannya terang-terangan, di hal pertama yang Anda lihat setelah melepaskan file. Deteksinya memperhitungkan bahwa halaman hasil pindai jarang benar-benar kosong — pemindai membubuhkan nomor halaman, dan OCR parsial meninggalkan sisa — sehingga halaman yang hanya berisi segelintir karakter diperlakukan sebagai hasil pindai, bukan sebagai teks.

Ini ekstraktor teks, bukan konverter tata letak. Ia memulihkan kata-kata dari PDF ke dalam file Word yang bisa diedit. Ia tidak mereproduksi desain halaman aslinya.

Ekstraksi Teks versus Konversi Tata Letak

Dua hal yang orang maksud dengan PDF ke Word cukup berbeda. Konversi tata letak mencoba membangun ulang dokumennya: tabel sebagai tabel, kolom sebagai kolom, gambar pada posisinya. Itu membutuhkan mesin komersial atau perangkat sisi server yang besar, dan implementasi yang bagus semuanya berjalan di sisi server.

Ekstraksi teks mengambil kata-katanya, urutan bacanya, dan struktur dasar sebanyak yang bisa disimpulkan dengan yakin. Untuk banyak sekali tugas nyata — mengutip klausul, memakai ulang paragraf, mengambil angka dari laporan — itu sudah seluruh pekerjaannya.

Untuk Siapa Alat Ini — dan untuk Siapa Bukan

Gunakan ini jika Anda ingin mengambil teks dari PDF untuk diedit, dikutip, atau dipakai ulang, dan Anda lebih suka dokumen Anda tidak di-upload ke server orang lain.

Jangan gunakan ini jika Anda butuh file Word yang tampak seperti PDF-nya, jika dokumennya sarat tabel, atau jika itu hasil pindai. Kasus-kasus itu dibahas lebih lanjut di bawah, beserta apa yang sebaiknya dipakai sebagai gantinya.

Setiap alat PDF ke Word menarik garis ini di suatu tempat. Kebanyakan hanya tidak pernah menunjukkan letaknya.

Diekstrak dengan Andal

Teks isi. Urutan baca, untuk dokumen satu kolom. Tebal dan miring, disimpulkan dari nama font yang tertanam. Teks yang terlihat dari hyperlink.

Untuk laporan, surat, atau artikel biasa, ini praktis seluruh isinya.

Ditebak — dan Kadang Salah

Tingkat judul, batas paragraf, serta daftar berpoin dan bernomor. Semuanya diturunkan dari geometri, bukan dibaca dari file, dan pratinjaunya menandainya sebagai tebakan persis karena alasan itu.

Bagaimana Tingkat Judul Ditebak dari Ukuran Font

Kami mengambil tinggi glyph yang paling umum di dokumen sebagai ukuran teks isi, lalu mempromosikan apa pun yang jauh lebih besar: 1,6× atau lebih menjadi Heading 1, 1,35× menjadi Heading 2, 1,15× menjadi Heading 3.

Ukuran yang paling umum, bukan rata-rata, dan itu disengaja — rata-rata tertarik naik oleh judul besar, yang kemudian membuat judul itu justru tidak dikenali sebagai judul sama sekali. Garis dasarnya juga dihitung untuk seluruh dokumen, sehingga halaman sampul yang seluruhnya berhuruf besar tidak mendistorsi setiap halaman setelahnya.

Dokumen yang menandai judul dengan ketebalan atau warna alih-alih ukuran tidak akan terdeteksi judulnya. Itu keterbatasan nyata, dan mode teks polos ada justru untuk itu.

Tidak Didukung

Tabel keluar sebagai teks lepas, bukan sebagai tabel. Gambar tidak terbawa. Header, footer, dan nomor halaman diekstrak sebagai teks biasa di mana pun kebetulan letaknya. Tata letak presisi, posisi, font, dan ukuran sama sekali tidak direproduksi.

Tabel, Gambar, dan Halaman Hasil Pindai

Halaman multi-kolom dideteksi dan ditandai, bukan diselang-selingkan diam-diam, karena urutan baca antar kolom memang ambigu — makalah akademis dua kolom bisa dibaca menurun per kolom atau melintang per halaman, dan file-nya tidak menyebutkan yang mana.

Halaman hasil pindai tidak menghasilkan apa-apa, dan dilaporkan begitu sebelum Anda mengekspor.

Semua kegunaan realistis ekstraksi PDF ke Word punya pola yang sama: Anda menginginkan kata-katanya, bukan desainnya.

Mengutip dari Kontrak dan Laporan

Mengambil sebuah klausul persis dari PDF dengan mengetik ulang mengundang salah ketik, tepat pada jenis dokumen yang kesalahannya paling berarti. Ekstraksi memberi Anda kata-katanya secara harfiah — dan untuk kontrak, fakta bahwa file tidak pernah keluar dari mesin Anda bukan hal sepele.

Memakai Ulang Teks Makalah Penelitian

PDF akademis adalah kasus klasik untuk alat ini dan juga kasus klasik untuk keterbatasannya: teksnya keluar bersih, tetapi makalah dua kolom akan ditandai, karena urutan bacanya memang ambigu. Ekstrak, lalu susun ulang secara manual.

Mengambil Data dari Faktur

Rincian faktur berada di tabel, yang keluar sebagai teks lepas alih-alih kisi. Tetap lebih cepat daripada mengetik ulang, dan angka-angkanya tiba persis seperti yang tercetak.

Memanfaatkan Kembali Dokumen Lama

Mengubah brosur atau manual PDF lama kembali menjadi naskah yang bisa diedit biasanya soal kata-katanya, bukan desainnya — desainnya biasanya memang sedang diganti.

Mengapa Privasi Penting di Sini

Dokumen yang paling ingin diekstrak orang — kontrak, surat medis, laporan keuangan — adalah dokumen yang paling tidak semestinya di-upload. Memproses secara lokal menghapus pertanyaan itu alih-alih menjawabnya.

PDF ke Word jarang menjadi langkah terakhir. Begitu teksnya ada di Word dan sudah Anda edit, mengonversinya kembali adalah langkah lanjutan yang wajar — konverter Word ke PDF kami juga berjalan sepenuhnya di browser Anda, sehingga perjalanan bolak-baliknya tidak pernah menyentuh server.

Jika bahan sumber Anda terpecah di beberapa PDF, gabungkan dulu lalu ekstrak sekali, daripada mengekstrak berkali-kali dan menyambung hasilnya di Word.

Semua di sini mengikuti aturan yang sama: file Anda tetap di mesin Anda. Sisanya ada di halaman alat PDF gratis kami, dan alat gambarnya di semua alat browser gratis kami.