De opmaak van PDF naar Word verandert omdat een PDF een vaste visuele pagina beschrijft, terwijl een Word-document bewerkbare inhoud beschrijft die kan doorlopen en opnieuw kan worden opgemaakt. Een converter moet vaak alinea's, kolommen en tabellen afleiden uit gepositioneerde tekst. De PDF bevat mogelijk niet voldoende informatie om de structuur van het originele document opnieuw te creëren.
Waarom een pagina die er goed uitziet, slecht kan converteren
In een PDF kunnen op specifieke coördinaten afzonderlijke stukjes tekst worden getekend. Een mens ziet één alinea of twee kolommen, maar de opgeslagen bewerkingen identificeren die relatie niet noodzakelijkerwijs. WordprocessingML, het documentformaat binnen DOCX, vertegenwoordigt structuren zoals alinea's, tekstruns en tabellen. Het converteren tussen deze modellen impliceert interpretatie.
Een nieuwsbrief met twee kolommen kan bijvoorbeeld tekstfragmenten opslaan in een volgorde die afwijkt van de normale leesvolgorde. Een converter kan per ongeluk een zin in de linkerkolom aan een kop in de rechterkolom koppelen. Op dezelfde manier kunnen getallen die zijn uitgelijnd om op een tabel te lijken, mogelijk geen echte tabelstructuur hebben om te herstellen.
Waarom veranderen lettertypen en regeleinden?
Een PDF kan een lettertype of slechts een subset van de tekens insluiten. Dat garandeert niet dat hetzelfde bruikbare lettertype beschikbaar is voor het geconverteerde Word-document. Vervanging van lettertypen, tekenbreedtes, alinea-afstand en paginamarges kunnen de regelomloop veranderen. Een klein verschil aan het begin kan de inhoud naar een andere pagina verplaatsen.
Visuele conservering versus bewerkbare conversie
| Benadering | Wat je krijgt | Belangrijkste afweging |
|---|---|---|
| Visuele conservering | Een gerenderde afbeelding van elke PDF-pagina die in een DOCX is geplaatst. | De pagina kan er hetzelfde uitzien, maar de tekst ervan is geen gewone bewerkbare Word-tekst. |
| Bewerkbare reconstructie | Herkende of geëxtraheerde tekst opnieuw opgebouwd in Word-inhoud. | U kunt de tekst bewerken, maar de lay-out en documentstructuur kunnen veranderen. |
Een pagina-afbeeldingsdocument kan handig zijn wanneer een ontvanger specifiek een DOCX nodig heeft met de visuele pagina's. Het is meestal een slechte keuze voor het herschrijven van alinea's. Bewerkbare reconstructie is geschikt voor tekstrevisies, op voorwaarde dat u de tijd neemt om koppen, lijsten, tabellen en leesvolgorde te bekijken. Geen van beide benaderingen herstelt het originele bronbestand perfect.
Wat verandert er wanneer de PDF wordt gescand?
Een scan met alleen afbeeldingen bevat geen bruikbare tekst voor een normale tekstextractor. OCR schat de tekens op basis van pixels. Het kan een nul verkeerd interpreteren als de letter O of aangrenzende kolommen samenvoegen, en het herkennen van de woorden herstelt niet de oorspronkelijke stijlen en documentstructuur. Leer hoe een doorzoekbare scan verschilt van een native PDF.
Kies de juiste SoraFiles-uitvoer
De huidige SoraFiles PDF naar Word-tool biedt bewerkbare en visuele output. Bij bewerkbare conversie wordt de beschikbare tekst geëxtraheerd, wordt indien nodig OCR gebruikt en worden Word-paragrafen samengesteld met afgeleide koppen, lijsten en eenvoudige tabellen. Het belooft geen reconstructie van de originele lay-out of alle grafische inhoud. Visuele uitvoer zet gerenderde PDF-pagina's als afbeeldingen in DOCX.
Kies bewerkbare uitvoer als het wijzigen van de formulering het belangrijkst is. Kies visuele uitvoer als het behouden van de zichtbare indeling van de pagina belangrijker is dan het bewerken van de tekst. Controleer de geselecteerde uitvoeroptie vóór de conversie en bekijk een complexe pagina voordat u op het hele document vertrouwt.
Hoe je verrassingen kunt verminderen
- Vraag naar de originele DOCX als deze beschikbaar is; het is een betere bewerkingsbron dan een geconverteerde PDF.
- Controleer de eerste pagina, een dichte pagina en elke complexe tabel voordat u het hele bestand bewerkt.
- Vergelijk de leesvolgorde van kolommen, genummerde lijsten, kopteksten, voetnoten en pagina-einden.
- Controleer namen, datums, totalen en ID's na OCR. Een plausibel ogend woord kan nog steeds verkeerd zijn.
- Maak na het bewerken een PDF en vergelijk de uiteindelijke pagina's opnieuw voordat u deze deelt.
Als u alleen gescande tekst hoeft te vinden of extraheren, PDF-OCR kan genoeg zijn. Gebruik na het bewerken van een DOCX Word naar PDF om een kopie met een vaste pagina voor te bereiden en deze vervolgens in een PDF-viewer te inspecteren.
Referenties
- Microsoft: PDF's openen in Word (External link, opens in a new tab)
- Microsoft: Structuur van een WordprocessingML-document (External link, opens in a new tab)
- Adobe: Lettertypeverwerking bij PDF-conversie (External link, opens in a new tab)
- SoraFiles: PDF naar Word