Konwersja z PDF

Konwersja z PDF to przekształcenie pliku tego formatu do postaci edytowalnej, zwykle wymagające korekty układu.

Na czym polega konwersja dokumentu PDF

Konwersja z PDF oznacza przekształcenie dokumentu zapisanego w formacie Portable Document Format do innej postaci, na przykład dokumentu edytowalnego DOCX, pliku tekstowego, arkusza kalkulacyjnego albo obrazu. PDF został zaprojektowany przede wszystkim do zachowania wyglądu dokumentu niezależnie od używanego systemu operacyjnego, programu i urządzenia. Z tego powodu jego zawartość nie zawsze jest zorganizowana tak jak w pliku utworzonym bezpośrednio w edytorze tekstu. Kolejność znaków, położenie akapitów, nagłówki, kolumny, tabele i grafiki mogą być zapisane jako niezależne obiekty rozmieszczone na stronie.

Podczas konwersji program analizuje strukturę strony i próbuje odtworzyć logiczny układ treści w formacie docelowym. W prostym dokumencie tekstowym może wystarczyć odczyt znaków oraz ich współrzędnych. W bardziej złożonym pliku trzeba dodatkowo rozpoznać kroje pisma, rozmiary czcionek, odstępy, podziały stron, stopki, przypisy, listy i elementy graficzne. Wynik konwersji zależy więc nie tylko od wybranego formatu, lecz także od sposobu utworzenia źródłowego PDF.

PDF tekstowy a dokument będący skanem

Istotne znaczenie ma rozróżnienie między PDF-em zawierającym prawdziwą warstwę tekstową a dokumentem będącym zbiorem zeskanowanych obrazów. W pierwszym przypadku tekst można zwykle zaznaczyć kursorem, skopiować do schowka i wyszukać za pomocą funkcji wyszukiwania. Konwersja do formatu edytowalnego polega wtedy na interpretacji istniejących znaków oraz ich położenia. Jeżeli dokument został poprawnie wygenerowany, możliwe jest zachowanie znacznej części akapitów, nagłówków i podstawowego formatowania.

Skan nie zawiera znaków tekstowych, nawet jeśli na ekranie wygląda jak zwykły dokument. Każda strona jest obrazem, dlatego potrzebne jest rozpoznawanie optyczne znaków, czyli OCR. Mechanizm OCR porównuje fragmenty obrazu z modelami liter, cyfr i znaków specjalnych, a następnie tworzy nową warstwę tekstową. Błędy mogą pojawić się przy niskiej rozdzielczości, przekrzywieniu skanu, zabrudzeniach, nierównym tle, nietypowym kroju pisma, zapisie odręcznym lub mieszaniu kilku języków. Po takim przetworzeniu konieczne jest sprawdzenie treści, zwłaszcza numerów, dat, jednostek miary, symboli technicznych i danych tabelarycznych.

Układ stron, tabele i elementy graficzne po przekształceniu

Największe problemy podczas konwersji dotyczą dokumentów, w których wygląd strony zależy od precyzyjnego rozmieszczenia wielu elementów. Tekst umieszczony w kilku kolumnach może zostać odczytany w niewłaściwej kolejności. Nagłówek lub stopka może zostać włączona do głównego tekstu na każdej stronie, a ręcznie ustawione odstępy mogą zamienić się w dodatkowe spacje lub puste akapity. Podziały wierszy widoczne w PDF-ie nie zawsze odpowiadają końcom akapitów w pliku edytowalnym. Z tego powodu dokument po konwersji może wymagać ponownego ustalenia stylów, marginesów, interlinii i podziałów stron.

Tabele są odczytywane na podstawie położenia tekstu oraz linii tworzących komórki. Jeżeli linie są niewidoczne albo komórki mają nieregularne rozmiary, program może połączyć kilka kolumn, rozdzielić jeden wiersz na wiele części lub potraktować tabelę jak zwykły tekst. Podobne ograniczenia dotyczą wykresów, podpisów pod ilustracjami, formularzy, przypisów oraz znaków matematycznych. Konwersja może zachować obraz elementu, ale nie musi odtworzyć jego pełnej edytowalności. Po zapisaniu pliku w formacie docelowym warto porównać strony z oryginałem, sprawdzić kompletność treści i potwierdzić, że obrazy nie zostały obrócone, przycięte albo zastąpione pustym miejscem.

Weryfikacja pliku po konwersji z PDF

Poprawna konwersja nie kończy się na zapisaniu nowego pliku. Należy otworzyć dokument w programie obsługującym wybrany format, sprawdzić możliwość zaznaczania i edycji tekstu, przejrzeć wszystkie strony oraz porównać kolejność treści z dokumentem źródłowym. Szczególnej kontroli wymagają polskie znaki, znaki interpunkcyjne, indeksy górne i dolne, symbole walut, daty, numery seryjne oraz fragmenty zapisane inną czcionką. W przypadku OCR trzeba również ocenić, czy rozpoznany tekst nie zawiera zamian podobnych znaków, na przykład cyfry „0” na litery „O” albo cyfry „1” na małą literę „l”.

Warszawskie Pogotowie Komputerowe zajmuje się profesjonalną naprawą laptopów i komputerów PC, w tym diagnostyką problemów z plikami, aplikacjami oraz działaniem oprogramowania używanego do pracy z dokumentami. Przy trudnościach z konwersją można ustalić, czy przyczyną jest uszkodzony plik PDF, brak warstwy tekstowej, nieprawidłowe działanie programu, niedostępna czcionka albo ograniczenia formatu docelowego. Takie rozróżnienie pomaga oddzielić błąd samego dokumentu od problemu z laptopem lub komputerem stacjonarnym i ułatwia dobranie właściwego sposobu dalszego przetwarzania pliku.