Руководства
Почему при конвертации PDF в Word ломается верстка
Почему при конвертации PDF в Word съезжают макет, таблицы и колонки, почему из сканированных PDF не получается текст и что сделать, чтобы результат был лучше.
Автор: Hemen Dönüştür Editör EkibiОпубликовано: 6 мин чтения
Вы конвертировали PDF в Word, а в результате таблицы превратились в обычный текст, страница в две колонки слилась в одну, а переносы строк оказались в других местах. Обычно это не «ошибка» конвертера, а следствие того, что два формата устроены принципиально по-разному. В этом руководстве разберем, чем PDF отличается от Word, какие проблемы встречаются чаще всего и что можно сделать для лучшего результата.
Главное отличие: фиксированные страницы и текучий текст
PDF - формат с фиксированной версткой: он задуман так, чтобы документ выглядел одинаково на любом устройстве и принтере. В статье Microsoft «Opening PDFs in Word» это сформулировано так: файл PDF хранит расположение текста, изображений и векторной графики на странице, но не обязательно связи между ними. Иначе говоря, PDF записывает «эти буквы стоят в этой точке страницы», но часто не записывает «это абзац», «это ячейка таблицы» или «этот текст продолжается во второй колонке».
Word - формат с текучим текстом. Текст идет абзацами, разрывы страниц пересчитываются по мере ввода, а таблицы состоят из строк и ячеек. Конвертировать PDF в Word значит восстанавливать эту структуру по координатам. Microsoft предупреждает о том же в отношении собственной конвертации: преобразованный документ может не совпадать с оригиналом постранично, а разрывы строк и страниц могут оказаться в других местах.
Самые частые проблемы с версткой и их причины
Таблицы превращаются в обычный текст
В PDF таблица обычно представляет собой просто фрагменты текста и линии, размещенные в определенных позициях; информации о строках и ячейках там нет. Microsoft относит таблицы с интервалами между ячейками к элементам, которые заведомо проблематичны при конвертации PDF в Word. Наш конвертер не восстанавливает таблицы PDF как таблицы Word: текст ячеек переносится в документ Word обычными абзацами, а ячейки одной строки могут объединиться в одну строку текста.
Пропадают колонки и текстовые поля
Наш конвертер собирает текучий документ, читая страницу сверху вниз, а элементы на одной строке слева направо. Для текста в одну колонку это дает правильный порядок чтения. Но на газетных или журнальных страницах с несколькими колонками строки, стоящие на одной высоте в двух соседних колонках, могут перемешаться. Разбивка на колонки и текстовые поля в результате Word не сохраняются.
Меняются шрифты
Наш конвертер переносит в документ Word название шрифта, его размер и цвет. Однако шрифт, встроенный в PDF, вместе с ними не переносится: при открытии документа Word использует шрифты, установленные на вашем компьютере. Если такого же шрифта у вас нет, Word подставляет похожий, из-за чего меняется длина строк, а значит, и разрывы страниц. Шрифты, не установленные на нашем сервере, при конвертации тоже заменяются близкими аналогами.
Переносы строк и абзацы
Если вы когда-нибудь копировали текст из PDF, то видели жесткий перенос в конце каждой строки. Наш конвертер снова объединяет такие строки в настоящие абзацы, а короткие строки и строки, которыми заканчивается предложение, остаются отдельными. Это эвристика, и для большинства текстов она работает, но в стихах, блоках с адресами или списках с короткими строками отдельные строки могут слиться или, наоборот, остаться раздельными.
Фон, рамки и особые элементы
Фоновые изображения на всю страницу в результат Word не переносятся. Согласно списку Microsoft, при конвертации PDF в Word заведомо проблематичны также цвет и границы страницы, фреймы, сноски, занимающие больше одной страницы, концевые сноски, закладки PDF, примечания и эффекты шрифта, такие как свечение или тень.
Сканированные PDF и OCR
Сканированный PDF состоит из фотографий страниц, выделяемого текста в нем нет. Чтобы извлечь из такого файла текст, нужно OCR (оптическое распознавание символов). Наш конвертер не выполняет OCR: из сканированного PDF, состоящего только из изображений, текст не получается, и конвертация возвращает пустой результат.
Проверить, сканирован ли PDF, просто: попробуйте выделить текст мышью в программе для чтения PDF. Если выделить слова не удается и вся страница ведет себя как одна картинка, перед вами скан. В этом случае сначала добавьте текстовый слой с помощью программы OCR, а затем конвертируйте. Страница поддержки Microsoft о сканированном тексте советует воспользоваться программой OCR, которая поставлялась со сканером, или Microsoft Lens, умеющим сохранять сразу в редактируемый документ Word; там же отмечается, что рукописный текст распознается редко и что после OCR текст всегда стоит вычитывать.
Что сохраняет наш конвертер
В нашем конвертере PDF в Word преобразование выполняется на нашем сервере; загруженный PDF и полученный DOCX удаляются не позднее чем через 30 минут. В результате сохраняются:
- Основной текст в порядке чтения, со строками, объединенными в абзацы
- Заголовки, определенные по размеру шрифта
- Маркированные списки и последовательные нумерованные списки
- Изображения, встроенные в PDF
- Название шрифта, размер, цвет и приблизительное выравнивание
Что не сохраняется: разбивка на колонки, текстовые поля, структура таблиц и фоновые изображения на всю страницу. PDF, защищенные паролем, нельзя конвертировать, пока пароль не снят.
Короче говоря, лучший результат получается с документами в одну колонку, состоящими в основном из текста и сохраненными в PDF прямо из текстового редактора. Microsoft говорит то же о собственной конвертации PDF: она лучше всего работает с PDF, в которых преимущественно текст. В эту группу попадают договоры, отчеты, письма и статьи; брошюры, журнальные страницы, формы и плотные финансовые таблицы после конвертации потребуют больше ручной доработки.
Советы для лучшего результата
- Поищите исходный файл. Если PDF был сделан из документа Word, исходный DOCX всегда будет лучше любой конвертации. Попросите версию в Word у того, кто подготовил документ.
- Сначала прогоните сканированные PDF через OCR. Если текст не выделяется, добавьте текстовый слой перед конвертацией.
- Снимите пароль. Откройте защищенный PDF в программе для чтения с паролем, сохраните незащищенную копию и загрузите ее.
- Выберите подходящий целевой формат. Если нужны только слова, PDF в TXT полностью избавит от проблем с форматированием. Для чистого текста с заголовками и списками попробуйте PDF в Markdown. Если старая система принимает только .doc, воспользуйтесь конвертером PDF в DOC.
- Восстановите таблицы вручную. Для сложных таблиц часто быстрее всего создать в Word новую таблицу и разнести сконвертированный текст по ее ячейкам.
- Проверьте шрифты. Если в результате съехали строки, смените шрифт документа на установленный на вашем компьютере.
- По окончании снова сохраните в PDF. Прежде чем делиться документом, отредактированным в Word, конвертируйте его через Word в PDF, чтобы снова зафиксировать верстку.
Часто задаваемые вопросы
Можно ли конвертировать сканированный PDF в Word?
Напрямую нашим конвертером нельзя: мы не выполняем OCR, а на сканированных страницах нет выделяемого текста. Сначала обработайте файл программой OCR, чтобы добавить текстовый слой, а затем конвертируйте.
Станут ли таблицы из PDF таблицами Word?
Нет. PDF хранит таблицу как размещенные по координатам фрагменты текста, а не как строки и ячейки, и наш конвертер не восстанавливает из них таблицы. Текст ячеек переносится абзацами.
Почему изменилось количество страниц?
Word сам распределяет текст и рассчитывает разрывы страниц. Небольшие различия в шрифтах, полях и объединенных строках сдвигают разрывы страниц, поэтому число страниц может измениться.
Почему в многоколоночных PDF перемешивается текст?
Наш конвертер читает страницу сверху вниз, а каждую строку слева направо, поэтому строки на одной высоте в двух соседних колонках могут объединиться. В таких документах проверяйте текст колонка за колонкой.
Во что конвертировать PDF: в DOCX или DOC?
Если вы пользуетесь Word 2007 или новее, Google Docs или LibreOffice, выбирайте DOCX, который создает конвертер PDF в Word: он поддерживается шире. DOC выбирайте, только если на другой стороне Word 97-2003 или система, куда вы загружаете файл, принимает исключительно .doc.
Безопасны ли мои файлы?
PDF загружается на наш сервер только для конвертации; и загруженный файл, и полученный документ Word удаляются не позднее чем через 30 минут. Регистрация не нужна.
