Konwersja dokumentów PDF

Konwersja dokumentów PDF to przekształcenie pliku tego formatu do postaci edytowalnej, zwykle z ryzykiem utraty układu.

Na czym polega konwersja dokumentu PDF

Konwersja dokumentu PDF polega na przekształceniu pliku w inną postać, na przykład do formatu DOCX, ODT, TXT, HTML albo arkusza kalkulacyjnego. PDF jest formatem przeznaczonym głównie do zachowania wyglądu dokumentu podczas wyświetlania i drukowania. Zawiera między innymi tekst, informacje o krojach pisma, położeniu elementów na stronie, grafikach, tabelach oraz osadzonych czcionkach. Program konwertujący musi więc odczytać te składniki i odtworzyć je w strukturze właściwej dla formatu wynikowego.

Wynik konwersji zależy od sposobu utworzenia dokumentu źródłowego. PDF zawierający prawdziwy tekst, który można zaznaczyć kursorem, zwykle można przekształcić bez rozpoznawania obrazu. Inaczej wygląda praca z dokumentem będącym skanem. W takim pliku strona jest najczęściej zapisana jako obraz, dlatego potrzebny jest moduł OCR, czyli optycznego rozpoznawania znaków. OCR analizuje kształty liter i tworzy warstwę tekstową, ale może pomylić podobne znaki, błędnie odczytać przypisy lub nieprawidłowo rozpoznać układ tabeli.

Tekst, układ strony i elementy graficzne

Najczęstszy problem podczas konwersji dotyczy różnicy między wyglądem strony a strukturą edytowalnego dokumentu. W PDF tekst może być zapisany jako wiele niezależnych fragmentów umieszczonych w konkretnych współrzędnych, bez informacji o tym, który fragment jest nagłówkiem, akapitem, kolumną lub podpisem pod ilustracją. Format edytowalny musi natomiast zbudować kolejność akapitów, marginesy, odstępy, style oraz podział na strony. Program może dlatego połączyć wiersze w niewłaściwe akapity, zmienić kolejność treści w kolumnach albo przesunąć przypisy.

Problemy pojawiają się również przy czcionkach, tabelach i grafice. Jeżeli font nie został osadzony w pliku PDF albo nie jest dostępny w systemie, narzędzie konwertujące może zastąpić go innym krojem, co zmieni szerokość wierszy i liczbę stron. Tabele zapisane jako zestaw linii i pól tekstowych nie zawsze zostaną odtworzone jako prawdziwe komórki. Z kolei obrazy o niskiej rozdzielczości mogą pozostać nieczytelne, nawet jeśli sam tekst został poprawnie rozpoznany. Konwersja PDF do TXT usuwa większość informacji o układzie, ponieważ zapisuje przede wszystkim kolejność znaków.

Konwersja skanów i kontrola pliku wynikowego

Przy skanach istotne znaczenie ma jakość obrazu: ostrość, kontrast, nachylenie strony, tło oraz rozdzielczość. OCR może rozpoznać drukowany tekst, ale trudniej radzi sobie z pismem odręcznym, pieczęciami, uszkodzonymi znakami i wieloma językami na jednej stronie. Błędy mogą dotyczyć także znaków diakrytycznych, cyfr, znaków interpunkcyjnych i oznaczeń technicznych. Dlatego dokument po konwersji powinien zostać sprawdzony, szczególnie wtedy, gdy zawiera wartości liczbowe, symbole, adresy internetowe, dane tabelaryczne albo instrukcje.

Kontrola pliku wynikowego obejmuje porównanie liczby stron, nagłówków, przypisów, tabel i ilustracji z dokumentem źródłowym. Warto sprawdzić, czy tekst można zaznaczać i edytować, czy akapity zachowują właściwą kolejność oraz czy nie powstały puste strony lub przypadkowe podziały wierszy. Należy także zweryfikować kodowanie znaków, ponieważ nieprawidłowe zapisanie polskich liter może prowadzić do pojawienia się pustych pól albo błędnych symboli. Jeżeli celem jest jedynie wyszukiwanie treści, wystarczy warstwa tekstowa po OCR. Jeżeli dokument ma być dalej redagowany, potrzebna jest dokładniejsza rekonstrukcja układu.

Konwersja PDF w praktyce serwisowej

Nie każda nieudana konwersja oznacza uszkodzenie samego dokumentu. Przyczyną może być nieprawidłowo działający program, brak odpowiedniego modułu OCR, niedostępny font, problem z uprawnieniami do pliku albo zbyt mała ilość pamięci przy przetwarzaniu dużego skanu. Znaczenie ma również format docelowy: dokument przeznaczony do dalszej edycji wymaga innego podejścia niż plik tekstowy do wyszukiwania lub strona HTML do publikacji. Przed rozpoczęciem pracy trzeba ustalić, czy priorytetem jest zachowanie wyglądu, możliwość edycji, poprawność odczytu tekstu czy odtworzenie tabel.

Warszawskie Pogotowie Komputerowe zajmuje się profesjonalną naprawą laptopów, komputerów PC i ich podzespołów, w tym problemów z oprogramowaniem używanym do otwierania, odczytu i konwersji dokumentów PDF. Diagnostyka może obejmować sprawdzenie aplikacji, skojarzeń plików, obsługi czcionek, działania modułu OCR oraz poprawności zapisu pliku wynikowego. Przy pracy z dokumentami istotne jest zachowanie kopii pliku źródłowego i rozpoczęcie od testowej konwersji na niewielkim fragmencie. Pozwala to ocenić, czy wybrane narzędzie prawidłowo odtwarza tekst, tabele i układ stron, zanim zostanie przetworzony cały dokument.