PDF เป็น Word — ดึงข้อความที่แก้ไขได้ โดยไม่ต้องอัปโหลดไฟล์

การแปลง Word เป็น PDF เป็นโจทย์การเรนเดอร์: นำเลย์เอาต์ที่ถูกอธิบายไว้มาวาด แต่ PDF เป็น Word คือทางกลับ และทางกลับไม่ได้สมมาตร การเดินย้อนกลับเป็นโจทย์การสร้างขึ้นใหม่ ซึ่งยากกว่าการวาดมาก

PDF เก็บตัวอักษร ไม่ใช่ประโยค

ไฟล์ PDF ไม่บันทึกย่อหน้าหรือหัวข้อ มันบันทึกคำสั่งวาดตัวอักษรแต่ละตัวที่พิกัดเฉพาะ นี่คือเหตุผลที่การแปลง PDF เป็น Word หมายถึงการวิศวกรรมย้อนกลับโครงสร้างจากข้อมูลตำแหน่ง

ไฟล์ Word บอกว่า “นี่คือ Heading 1 ที่มีข้อความว่า Quarterly Report” ส่วน PDF บอกว่า “ตั้งฟอนต์ F2 ขนาด 22 พอยต์ ย้ายไปที่ x=72 y=782 แสดงตัวอักษร Q-u-a-r-t-e-r-l-y” ไม่มีอะไรในไฟล์ระบุว่านี่คือหัวข้อ ต้องอนุมานเอาจากข้อเท็จจริงที่ว่ามันใหญ่กว่าทุกอย่างรอบตัว

ทำไมย่อหน้าต้องถูกวิศวกรรมย้อนกลับ

ข้อความมาถึงเป็นชิ้นส่วนที่พิกัดต่าง ๆ มักถูกตัดกลางคำ และบ่อยครั้งไม่มีช่องว่างระหว่างคำเลย การกู้คืนให้เป็นร้อยแก้วที่อ่านได้จึงต้องจับกลุ่มชิ้นส่วนเป็นบรรทัดตามตำแหน่งแนวตั้ง แทรกช่องว่างตรงจุดที่ช่องไฟแนวนอนบ่งบอก แล้วตัดสินว่าการขึ้นบรรทัดใดเป็นการตัดคำ และอันใดเป็นขอบเขตย่อหน้า

ทุกขั้นตอนเหล่านี้คือฮิวริสติก ของเรามีเอกสารกำกับและผ่านการทดสอบ แต่ก็ยังเป็นการเดาอยู่ดี และหน้านี้จะระบุว่าส่วนไหนของผลลัพธ์เป็นการเดา แทนที่จะนำเสนอทั้งหมดราวกับเป็นข้อเท็จจริง

ปัญหาเอกสารสแกน

PDF ที่สแกนมาบรรจุภาพของข้อความ ไม่ใช่ข้อความ หากไม่มี OCR การแยกวิเคราะห์มากแค่ไหนก็กู้คืนคำไม่ได้

นี่คือความผิดหวังที่พบบ่อยที่สุดกับเครื่องมือแปลง PDF เป็น Word ทุกตัว และเป็นเหตุผลที่หลายคนสรุปว่าเครื่องมือพวกนี้ใช้ไม่ได้เลย คุณวางสัญญาที่เพื่อนร่วมงานสแกนมา แล้วได้ไฟล์ Word เปล่ากลับไป — และมักไม่มีคำอธิบายใด ๆ ด้วยซ้ำ

OCR ทำอะไร และทำไมเครื่องมือนี้ไม่มี

การรู้จำตัวอักษร (OCR) มองที่ภาพแล้วคำนวณว่ารูปร่างไหนคือตัวอักษรอะไร มันเป็นเทคโนโลยีคนละอย่างกับการอ่านชั้นข้อความจริง ๆ ทำงานช้ากว่าเมื่อเทียบกัน และเวอร์ชันในเบราว์เซอร์จะหมายถึงการส่งโมเดลรู้จำให้ผู้เยี่ยมชมทุกคน

เราจึงทำสิ่งที่ดีที่สุดรองลงมา: ตรวจจับสถานการณ์นี้และบอกอย่างตรงไปตรงมา ตั้งแต่สิ่งแรกที่คุณเห็นหลังวางไฟล์ การตรวจจับคำนึงถึงข้อเท็จจริงที่ว่าหน้าสแกนแทบไม่เคยว่างสนิท — เครื่องสแกนประทับเลขหน้า และ OCR บางส่วนทิ้งเศษข้อความไว้ — หน้าที่มีตัวอักษรเพียงหยิบมือจึงถูกจัดเป็นภาพสแกน ไม่ใช่ข้อความ

นี่คือตัวดึงข้อความ ไม่ใช่ตัวแปลงเลย์เอาต์ มันกู้คืนคำจาก PDF ลงในไฟล์ Word ที่แก้ไขได้ แต่ไม่จำลองการออกแบบหน้ากระดาษต้นฉบับ

การดึงข้อความ กับ การแปลงเลย์เอาต์

สองสิ่งที่คนหมายถึงเมื่อพูดว่า PDF เป็น Word นั้นต่างกันมาก การแปลงเลย์เอาต์พยายามสร้างเอกสารขึ้นใหม่ ตารางเป็นตาราง คอลัมน์เป็นคอลัมน์ รูปภาพอยู่ตำแหน่งเดิม ซึ่งต้องใช้เอนจินเชิงพาณิชย์หรือระบบฝั่งเซิร์ฟเวอร์ขนาดใหญ่ และตัวที่ทำได้ดีล้วนเป็นฝั่งเซิร์ฟเวอร์ทั้งสิ้น

การดึงข้อความนำคำ ลำดับการอ่าน และโครงสร้างพื้นฐานเท่าที่อนุมานได้อย่างมั่นใจออกมา สำหรับงานจริงจำนวนมาก — อ้างอิงข้อสัญญา นำย่อหน้าไปใช้ต่อ ดึงตัวเลขออกจากรายงาน — แค่นี้ก็คืองานทั้งหมดแล้ว

เหมาะกับใคร — และไม่เหมาะกับใคร

ใช้เครื่องมือนี้หากคุณต้องการข้อความจาก PDF ไปแก้ไข อ้างอิง หรือนำไปใช้ต่อ และไม่อยากให้เอกสารถูกอัปโหลดไปเซิร์ฟเวอร์ของคนแปลกหน้า

อย่าใช้เครื่องมือนี้หากคุณต้องการให้ไฟล์ Word หน้าตาเหมือน PDF หากเอกสารเต็มไปด้วยตาราง หรือหากเป็นไฟล์สแกน กรณีเหล่านี้มีอธิบายไว้ด้านล่าง พร้อมทางเลือกที่ควรใช้แทน

เครื่องมือ PDF เป็น Word ทุกตัวขีดเส้นนี้ไว้ที่ไหนสักแห่ง แต่ส่วนใหญ่ไม่เคยแสดงให้คุณเห็นว่าขีดตรงไหน

ดึงได้อย่างน่าเชื่อถือ

เนื้อความ ลำดับการอ่านสำหรับเอกสารคอลัมน์เดียว ตัวหนาและตัวเอียงซึ่งอนุมานจากชื่อฟอนต์ที่ฝังอยู่ และข้อความที่มองเห็นของไฮเปอร์ลิงก์

สำหรับรายงาน จดหมาย หรือบทความทั่วไป นี่คือเนื้อหาแทบทั้งหมดแล้ว

อนุมานเอา — และบางครั้งผิด

ระดับหัวข้อ ขอบเขตย่อหน้า และรายการแบบสัญลักษณ์หรือตัวเลข สิ่งเหล่านี้ได้จากเรขาคณิต ไม่ใช่อ่านจากไฟล์ และตัวอย่างจะติดป้ายว่าเป็นการอนุมานด้วยเหตุผลนี้เอง

ระดับหัวข้อถูกเดาจากขนาดฟอนต์อย่างไร

เราใช้ความสูงตัวอักษรที่พบบ่อยที่สุดในเอกสารเป็นขนาดเนื้อความ แล้วยกระดับสิ่งที่ใหญ่กว่าอย่างมีนัยสำคัญ: 1.6 เท่าขึ้นไปเป็น Heading 1, 1.35 เท่าเป็น Heading 2, 1.15 เท่าเป็น Heading 3

ที่ใช้ขนาดที่พบบ่อยที่สุดแทนค่าเฉลี่ยนั้นตั้งใจ — ค่าเฉลี่ยจะถูกชื่อเรื่องตัวใหญ่ดึงขึ้น ซึ่งจะทำให้ชื่อเรื่องนั้นไม่ถูกรู้จำเป็นหัวข้อเลย เส้นฐานยังคำนวณจากทั้งเอกสาร หน้าปกที่ใช้ตัวอักษรใหญ่ทั้งหน้าจึงไม่บิดเบือนทุกหน้าที่ตามมา

เอกสารที่บ่งบอกหัวข้อด้วยน้ำหนักหรือสีแทนขนาด จะตรวจหัวข้อไม่พบ นี่คือข้อจำกัดจริง และโหมดข้อความล้วนมีไว้เพื่อกรณีนี้

ไม่รองรับ

ตารางออกมาเป็นข้อความกระจัดกระจาย ไม่ใช่ตาราง รูปภาพไม่ถูกนำไปด้วย หัวกระดาษ ท้ายกระดาษ และเลขหน้าถูกดึงออกมาเป็นข้อความธรรมดาตรงตำแหน่งที่มันอยู่ ส่วนเลย์เอาต์ ตำแหน่ง ฟอนต์ และขนาดที่แม่นยำจะไม่ถูกจำลองเลย

ตาราง รูปภาพ และหน้าสแกน

หน้าหลายคอลัมน์จะถูกตรวจพบและแจ้งเตือน แทนที่จะสลับบรรทัดกันแบบเงียบ ๆ เพราะลำดับการอ่านข้ามคอลัมน์นั้นกำกวมจริง ๆ — บทความวิชาการสองคอลัมน์อ่านไล่ลงทีละคอลัมน์หรืออ่านขวางทั้งหน้าก็ได้ และไฟล์ไม่ได้บอกว่าแบบไหน

หน้าสแกนจะไม่ได้อะไรออกมาเลย และถูกรายงานไว้เช่นนั้นก่อนคุณส่งออก

การใช้งานจริงของการดึงข้อความ PDF เป็น Word ล้วนมีรูปร่างเดียวกัน: คุณต้องการคำ ไม่ใช่การออกแบบ

อ้างอิงจากสัญญาและรายงาน

การพิมพ์ข้อสัญญาจาก PDF ด้วยมือชวนให้เกิดข้อผิดพลาดจากการคัดลอก ในเอกสารประเภทที่ความผิดพลาดมีราคาแพงที่สุดพอดี การดึงข้อความให้ถ้อยคำตรงตามต้นฉบับทุกตัวอักษร — และสำหรับสัญญา การที่ไฟล์ไม่เคยออกจากเครื่องของคุณก็ไม่ใช่เรื่องบังเอิญ

นำข้อความจากงานวิจัยไปใช้ต่อ

PDF งานวิชาการคือกรณีคลาสสิกของเครื่องมือนี้ และก็เป็นกรณีคลาสสิกของข้อจำกัดด้วย: ข้อความออกมาสะอาด แต่บทความสองคอลัมน์จะถูกแจ้งเตือน เพราะลำดับการอ่านกำกวมจริง ๆ ให้ดึงออกมาก่อน แล้วจัดเรียงใหม่ด้วยตัวเอง

ดึงข้อมูลออกจากใบแจ้งหนี้

รายการในใบแจ้งหนี้อยู่ในตาราง ซึ่งจะออกมาเป็นข้อความกระจัดกระจาย ไม่ใช่ตาราง แต่ก็ยังเร็วกว่าพิมพ์ใหม่ และตัวเลขมาถึงตรงตามที่พิมพ์ไว้ทุกประการ

นำเอกสารเก่ากลับมาใช้ใหม่

การเปลี่ยนโบรชัวร์หรือคู่มือ PDF เก่าให้กลับเป็นข้อความที่แก้ไขได้ มักเป็นเรื่องของคำ ไม่ใช่การออกแบบ — เพราะการออกแบบมักถูกแทนที่อยู่แล้ว

ทำไมความเป็นส่วนตัวจึงสำคัญตรงนี้

เอกสารที่คนอยากดึงข้อความมากที่สุด — สัญญา จดหมายแพทย์ รายการเดินบัญชี — คือเอกสารที่ควรอยากอัปโหลดน้อยที่สุด การประมวลผลบนเครื่องทำให้คำถามนี้หายไปเลย แทนที่จะต้องตอบมัน

PDF เป็น Word แทบไม่เคยเป็นขั้นตอนสุดท้าย เมื่อข้อความอยู่ใน Word และคุณแก้ไขเสร็จแล้ว การแปลงกลับคือขั้นถัดไปโดยธรรมชาติ — เครื่องมือแปลง Word เป็น PDF ของเราก็ทำงานในเบราว์เซอร์ทั้งหมดเช่นกัน การเดินทางไปกลับจึงไม่แตะเซิร์ฟเวอร์เลย

หากต้นฉบับของคุณกระจายอยู่ในหลาย PDF ให้รวมไฟล์ก่อนแล้วดึงครั้งเดียว ดีกว่าดึงหลายครั้งแล้วมาต่อผลลัพธ์กันเองใน Word

ทุกอย่างที่นี่ทำงานบนหลักการเดียวกัน คือไฟล์ของคุณอยู่บนเครื่องของคุณ เครื่องมือที่เหลืออยู่ที่หน้าเครื่องมือ PDF ฟรี ส่วนเครื่องมือรูปภาพอยู่ที่เครื่องมือบนเบราว์เซอร์ทั้งหมดของเรา