Почему PDF так трудно превратить обратно в документ
Файл Word хранит текст как поток: абзацы, заголовки и списки, которые перестраиваются, когда вы меняете поля или шрифт. PDF хранит совсем другое. Каждая страница — это набор инструкций вроде «нарисуй эти символы в этой позиции этим шрифтом», и в них нет понятия о том, где начинается абзац или к какой колонке относится строка. Поэтому PDF везде выглядит одинаково и при этом так неудобен для редактирования.
Конвертировать PDF в Word — значит восстанавливать структуру, которую PDF никогда не записывал. Любому конвертеру приходится угадывать, и два варианта на этой странице угадывают по-разному.
Сборка в браузере, шаг за шагом
Основной путь работает целиком на вашем устройстве — на том же PDF-движке, которым Firefox показывает PDF. Для каждой страницы он собирает фрагменты текста с их позициями и размерами шрифта, а затем поднимается от мелкого к крупному:
- Строки. Фрагменты на одной базовой линии, в пределах примерно 2 пунктов друг от друга, объединяются в одну строку.
- Основной размер. Размер шрифта, которым набрано больше всего символов во всём документе, считается обычным основным текстом.
- Заголовки. Строка крупнее основного текста более чем в 1,25 раза становится заголовком: больше чем в 1,5 раза — «Заголовок 1», иначе — «Заголовок 2». Короткая жирная строка короче 80 символов размером не меньше основного текста тоже становится «Заголовком 2».
- Абзацы. Строка, которая не заканчивается знаком конца фразы — точкой, вопросительным знаком, двоеточием или закрывающей кавычкой — и набрана тем же размером, что и следующая, считается продолжающейся в следующую.
Заголовки используют настоящие стили заголовков Word, поэтому сразу появляются в области навигации и годятся для автоматического оглавления. Размеры шрифта переносятся, а жирное начертание сохраняется в строках, которые не стали заголовками. Страница показывает, сколько страниц и слов найдено, — это быстрая проверка, что ничего не потерялось.
Чего этот путь намеренно не делает: изображения, таблицы, колонки, цвета, гиперссылки и исходные гарнитуры шрифтов. Страницы идут одна за другой как единый документ, разделённые пустым абзацем. Для договора или отчёта, который вы собираетесь переписывать, обычно это и нужно: чистый текст без плавающих блоков.
Серверная конвертация и когда она оправдана
Второй вариант отправляет файл на наш сервер, где LibreOffice открывает PDF в своём текстовом редакторе и сохраняет его как .docx. Так сохраняется гораздо больше внешнего вида: изображения, линии, расположение текста и разрывы страниц остаются близкими к оригиналу.
Цена — в том, как хранится текст. LibreOffice обычно размещает текст в отдельно позиционированных блоках, часто по блоку на строку, поэтому страница выглядит правильно, но переписать абзац можно только блок за блоком. Выбирайте серверный путь, когда нужна почти точная копия, чтобы поправить пару слов, например исправить дату в бланке или цифру в листовке. Выбирайте браузерный путь, когда нужно переработать сам текст.
Без аккаунта доступен один запуск на сервере в день для файлов до 500 МБ. Premium снимает дневной лимит и принимает файлы до 4 ГБ. Загруженный PDF удаляется, когда конвертация завершается, а .docx перестаёт быть доступен примерно через час после создания задачи.
Как исправить типичные результаты
- Пункты списка слились в один абзац. Пункты без завершающей пунктуации выглядят для правила абзацев как продолжение фразы. Поставьте курсор в начало каждого пункта и нажмите Enter или примените стиль списка потом.
- Слова разорваны дефисом и пробелом. Если в PDF были переносы в конце строк, при склейке получается «конвер- тация». Поиск с заменой для «- » (дефис, пробел) находит большинство случаев; проверяйте каждое совпадение, потому что некоторые из них — настоящие тире.
- Текст из двух колонок перемешан. Браузерный путь читает текст в том порядке, в каком его хранит PDF, а в многоколоночной вёрстке этот порядок может прыгать между колонками. Серверная конвертация справляется с такими страницами лучше.
- Колонтитулы и номера страниц посреди текста. Это настоящий текст на каждой странице, поэтому он попадает в документ короткими абзацами. Удалите их или найдите повторяющийся заголовок поиском.
- Конвертация сразу падает. Файлы, защищённые паролем, прочитать нельзя. Сначала снимите пароль инструментом «Снять пароль с PDF», если вы его знаете.
Отсканированные документы
Если результат пустой или почти пустой, PDF — это скан: каждая страница — фотография без текста. Прогоните файл через «Сделать скан PDF доступным для поиска», чтобы добавить текстовый слой, а затем сконвертируйте здесь копию с поиском. Результат будет грубее, чем с изначально цифровым PDF: у распознанного текста менее стабильные размеры шрифта, и заголовки с абзацами определяются не так надёжно.