PDF в Word — извлеките редактируемый текст, не загружая файл на сервер

Конвертация Word в PDF — задача отрисовки: взять описанную вёрстку и нарисовать её. PDF в Word — обратный путь, и он не симметричен. Обратное направление — задача реконструкции, а реконструировать гораздо труднее, чем рисовать.

PDF хранит глифы, а не предложения

PDF-файл не записывает абзацы и заголовки. Он записывает команды нарисовать отдельные символы в конкретных координатах — вот почему конвертация PDF в Word означает восстановление структуры из данных о позициях.

Файл Word говорит: «это Заголовок 1 с текстом Квартальный отчёт». PDF говорит: «установи шрифт F2 в 22 пункта, перейди в x=72 y=782, покажи глифы К-в-а-р-т-а-л-ь-н-ы-й». Ничто в файле не помечает это как заголовок. Это приходится выводить из того, что текст крупнее всего вокруг.

Почему абзацы приходится восстанавливать

Текст приходит фрагментами в координатах, нередко разорванными посреди слова, а зачастую и вовсе без пробелов между словами. Чтобы восстановить читаемую прозу, нужно сгруппировать фрагменты в строки по вертикальной позиции, вставить пробелы там, где на них указывают горизонтальные промежутки, и затем решить, какие разрывы строк — переносы, а какие — границы абзацев.

Каждый из этих шагов — эвристика. Наши задокументированы и протестированы, но это всё равно догадки, и эта страница помечает, какие части результата — догадки, вместо того чтобы выдавать всё за факт.

Проблема отсканированных документов

Отсканированные PDF содержат изображения текста, а не текст. Без OCR никакой разбор не восстановит слова.

Это самое частое разочарование от любого конвертера PDF в Word — и причина, по которой многие решают, что такие инструменты попросту не работают. Вы перетаскиваете договор, отсканированный коллегой, и получаете обратно файл Word, в котором ничего нет, — как правило, вообще без объяснений.

Что делает OCR и почему его здесь нет

Оптическое распознавание символов смотрит на картинку и определяет, какие формы каким буквам соответствуют. Это принципиально другая технология, нежели чтение текстового слоя, она сравнительно медленная, а браузерная версия означала бы доставку модели распознавания каждому посетителю.

Поэтому мы делаем лучшее из возможного: обнаруживаем ситуацию и говорим о ней прямо — в первом же сообщении после добавления файла. Проверка учитывает, что отсканированные страницы редко бывают совсем пустыми: сканеры штампуют номера страниц, а частичный OCR оставляет мусор, — поэтому страница с горсткой символов считается сканом, а не текстом.

Это экстрактор текста, а не конвертер вёрстки. Он восстанавливает слова из PDF в редактируемый файл Word. Исходный дизайн страниц он не воспроизводит.

Извлечение текста против переноса вёрстки

Под «PDF в Word» люди понимают две совершенно разные вещи. Перенос вёрстки пытается пересобрать документ: таблицы как таблицы, колонки как колонки, изображения на местах. Это требует либо коммерческого движка, либо большого серверного хозяйства — и все хорошие реализации серверные.

Извлечение текста берёт слова, порядок чтения и столько базовой структуры, сколько можно уверенно вывести. Для множества реальных задач — процитировать пункт договора, переиспользовать абзац, вытащить цифры из отчёта — этого достаточно.

Кому это подойдёт, а кому нет

Используйте этот инструмент, если вам нужен текст из PDF для редактирования, цитирования или переиспользования — и вы предпочитаете, чтобы документ не оказался на чужом сервере.

Не используйте его, если файл Word должен выглядеть как PDF, если документ насыщен таблицами или если это скан. Эти случаи разобраны ниже — вместе с тем, что использовать вместо него.

Каждый инструмент PDF в Word где-то проводит эту границу. Большинство просто никогда её не показывают.

Извлекается надёжно

Основной текст. Порядок чтения — для одноколоночных документов. Полужирный и курсив, выведенные из названий встроенных шрифтов. Видимый текст гиперссылок.

Для обычного отчёта, письма или статьи это фактически всё содержимое.

Выводится эвристикой — и иногда ошибочно

Уровни заголовков, границы абзацев, маркированные и нумерованные списки. Они выводятся из геометрии, а не читаются из файла, и именно поэтому предпросмотр помечает их как выведенные.

Как уровни заголовков угадываются по размеру шрифта

Самую распространённую высоту глифов в документе мы принимаем за размер основного текста, а всё заметно более крупное повышаем: от 1,6× — Заголовок 1, от 1,35× — Заголовок 2, от 1,15× — Заголовок 3.

Именно самый распространённый размер, а не средний — намеренно: среднее тянет вверх крупный заголовок титульной страницы, из-за чего сам этот заголовок перестал бы распознаваться. Базовый размер к тому же считается по всему документу, поэтому титульная страница, набранная целиком крупным кеглем, не искажает все последующие.

В документах, где заголовки выделены насыщенностью или цветом, а не размером, они распознаны не будут. Это реальное ограничение — и именно для него существует режим простого текста.

Не поддерживается

Таблицы выходят сплошным текстом, а не таблицами. Изображения не переносятся. Колонтитулы и номера страниц извлекаются как обычный текст там, где они оказались. Точная вёрстка, позиционирование, шрифты и размеры не воспроизводятся вовсе.

Таблицы, изображения и отсканированные страницы

Многоколоночные страницы обнаруживаются и помечаются, а не молча перемешиваются, потому что порядок чтения между колонками действительно неоднозначен: двухколоночную научную статью можно читать по колонкам или поперёк страницы, и файл не говорит, как именно.

Отсканированные страницы не дают ничего — и об этом сообщается до экспорта.

Все реалистичные применения извлечения PDF в Word похожи по форме: вам нужны слова, а не дизайн.

Цитирование договоров и отчётов

Перепечатывать точный пункт из PDF вручную — значит приглашать опечатки именно в тех документах, где ошибки дороже всего. Извлечение даёт формулировку дословно, а для договора то, что он не покидал вашу машину, — не мелочь.

Переиспользование текста научных статей

Научные PDF — классический случай для этого инструмента и одновременно классический случай его ограничений: текст выходит чисто, но двухколоночные статьи будут помечены, потому что порядок чтения там действительно неоднозначен. Извлеките, затем переставьте вручную.

Извлечение данных из счетов

Позиции счетов живут в таблицах, которые выходят сплошным текстом, а не сеткой. Это всё равно быстрее, чем перепечатывать, а цифры приходят ровно такими, какими напечатаны.

Возвращение к жизни старых документов

Превратить старую PDF-брошюру или инструкцию обратно в редактируемый текст обычно нужно ради слов, а не дизайна — дизайн, как правило, всё равно меняют.

Почему приватность здесь важна

Документы, из которых чаще всего хотят извлечь текст, — договоры, медицинские письма, финансовые отчёты — это именно те документы, которые меньше всего стоит загружать на сервер. Локальная обработка снимает вопрос, а не отвечает на него.

PDF в Word редко бывает последним шагом. Когда текст оказался в Word и вы его отредактировали, естественный следующий шаг — конвертация обратно: наш конвертер Word в PDF тоже работает целиком в браузере, поэтому весь круговорот не касается сервера.

Если исходный материал разбросан по нескольким PDF, сначала объедините их и извлеките текст один раз, вместо того чтобы извлекать несколько раз и сшивать результаты в Word.

Всё здесь следует одному правилу: ваши файлы остаются на вашей машине. Остальной набор — на странице бесплатных инструментов PDF, а инструменты для изображений — во всех наших бесплатных браузерных инструментах.