Vì sao khó biến PDF trở lại thành tài liệu
Tệp Word lưu văn bản dưới dạng một dòng chảy: đoạn văn, tiêu đề và danh sách tự xuống dòng lại khi bạn đổi lề hoặc phông chữ. PDF lưu một thứ hoàn toàn khác. Mỗi trang là một tập chỉ dẫn kiểu "vẽ những ký tự này tại vị trí này bằng phông chữ này", không hề có khái niệm đoạn văn bắt đầu ở đâu hay dòng nào thuộc cột nào. Đó là lý do PDF trông giống hệt nhau ở mọi nơi nhưng lại rất khó chỉnh sửa.
Vì vậy, chuyển PDF sang Word nghĩa là dựng lại cấu trúc mà PDF chưa bao giờ ghi lại. Mọi công cụ chuyển đổi đều phải đoán, và hai lựa chọn trên trang này đoán theo những cách khác nhau.
Dựng lại trong trình duyệt, từng bước một
Cách mặc định chạy hoàn toàn trên thiết bị của bạn, dùng chính bộ máy PDF mà Firefox dùng để hiển thị PDF. Với mỗi trang, nó thu thập các mẩu văn bản cùng vị trí và cỡ chữ, rồi dựng dần lên:
- Dòng. Các mẩu nằm trên cùng một đường cơ sở, cách nhau trong khoảng 2 point, được nối thành một dòng.
- Cỡ chữ thân bài. Cỡ chữ chứa nhiều ký tự nhất trong toàn bộ tài liệu được coi là chữ thân bài thông thường.
- Tiêu đề. Dòng có cỡ chữ lớn hơn 1,25 lần cỡ thân bài trở thành tiêu đề; trên 1,5 lần thì thành Heading 1, còn lại là Heading 2. Một dòng in đậm ngắn dưới 80 ký tự, với cỡ chữ bằng hoặc lớn hơn thân bài, cũng trở thành Heading 2.
- Đoạn văn. Dòng không kết thúc bằng dấu câu như dấu chấm, dấu hỏi, dấu hai chấm hay dấu đóng ngoặc kép, và có cùng cỡ chữ với dòng tiếp theo, được coi là còn nối tiếp sang dòng đó.
Vì tiêu đề dùng đúng các kiểu Heading thật của Word, chúng xuất hiện ngay trong ngăn điều hướng và có thể dùng để tạo mục lục tự động. Cỡ chữ được giữ lại, và chữ đậm vẫn còn trên những dòng không phải tiêu đề. Trang hiển thị số trang và số từ tìm được, một cách kiểm tra nhanh rằng không có gì bị thiếu.
Những gì cách này cố ý không làm: hình ảnh, bảng, cột, màu sắc, siêu liên kết và họ phông chữ gốc. Các trang nối tiếp nhau thành một tài liệu liền mạch, ngăn cách bằng một đoạn trống. Với hợp đồng hay báo cáo mà bạn muốn viết lại, đó thường chính là thứ bạn cần: văn bản sạch, không có khung trôi nổi.
Chuyển đổi trên máy chủ và khi nào đáng dùng
Lựa chọn thứ hai gửi tệp lên máy chủ của chúng tôi, nơi LibreOffice mở PDF trong trình soạn thảo văn bản của nó và lưu thành .docx. Cách này giữ được nhiều hơn về hình thức: hình ảnh, đường kẻ, vị trí chữ và ngắt trang đều sát với bản gốc.
Cái giá phải trả nằm ở cách lưu văn bản. LibreOffice thường đặt chữ vào các khung định vị riêng, thường mỗi dòng một khung, nên trang trông đúng nhưng muốn viết lại một đoạn thì phải sửa từng khung. Hãy chọn máy chủ khi bạn cần một bản gần như y hệt để sửa vài chữ, như chỉnh ngày trên biểu mẫu hay một con số trên tờ rơi. Chọn trình duyệt khi bạn cần viết lại chính nội dung.
Không cần tài khoản, bạn được chạy trên máy chủ một lần mỗi ngày với tệp đến 500 MB. Premium bỏ giới hạn hằng ngày và nhận tệp đến 4 GB. Tệp PDF tải lên bị xóa ngay khi chuyển đổi xong, còn tệp .docx hết hạn khoảng một giờ sau khi tác vụ được tạo.
Khắc phục những kết quả thường gặp
- Các mục danh sách bị gộp thành một đoạn. Gạch đầu dòng không có dấu câu kết thúc trông như một câu đang tiếp diễn theo quy tắc ghép đoạn. Đặt con trỏ ở từng mục và nhấn Enter, hoặc áp kiểu danh sách sau đó.
- Từ bị tách bởi gạch nối và dấu cách. Nếu PDF gạch nối từ ở cuối dòng, việc ghép sẽ cho ra "conver- sion". Tìm và thay thế "- " (gạch nối, dấu cách) bắt được hầu hết các trường hợp; hãy xem lại từng kết quả, vì có những chỗ là gạch ngang thật.
- Văn bản hai cột bị xen kẽ. Cách trong trình duyệt đọc chữ theo thứ tự PDF lưu, mà với bố cục nhiều cột thì thứ tự này có thể nhảy qua lại giữa các cột. Chuyển đổi trên máy chủ xử lý những trang này tốt hơn.
- Đầu trang và số trang lẫn giữa văn bản. Chúng là chữ thật trên mọi trang, nên sẽ xuất hiện thành những đoạn ngắn. Hãy xóa chúng, hoặc tìm theo tiêu đề lặp lại.
- Chuyển đổi thất bại ngay lập tức. Tệp được bảo vệ bằng mật khẩu thì không đọc được. Hãy gỡ mật khẩu bằng Gỡ mật khẩu khỏi PDF trước, miễn là bạn biết mật khẩu.
Tài liệu scan
Nếu kết quả trống hoặc gần như trống, PDF là bản scan: mỗi trang là một tấm ảnh không chứa văn bản. Hãy xử lý tệp bằng OCR PDF để thêm lớp văn bản, rồi chuyển đổi bản có thể tìm kiếm đó tại đây. Kết quả sẽ thô hơn so với PDF tạo từ máy tính, vì văn bản nhận dạng có cỡ chữ kém đồng đều hơn, khiến việc phát hiện tiêu đề và đoạn văn kém tin cậy hơn.