Jak převést PDF do Wordu: skeny, OCR a rozvržení

Převod PDF do Wordu zní jako změna formátu, ale blíží se zpětnému inženýrství. PDF zaznamenává, kde na stránce stojí každý znak a řádek. Nezaznamenává odstavce, sloupce ani tabulky tak, jak to dělá Word, takže je musí převodník odhadnout zpět. Dobré převodníky odhadují dobře u čistých dokumentů a špatně u složitých.

Tento průvodce ukazuje, jak z převodníku PDF do Wordu v TokPDF získat nejlepší výsledek, jak poznat, zda vaše PDF nejdřív potřebuje OCR, a co čekat od tabulek, sloupců a písem.

Vyzkoušejte hned

Nástroj se otevře ve vašem prohlížeči. Bez registrace.

Otevřít PDF do Word Otevřít OCR PDF

Nejdřív zkontrolujte, zda má vaše PDF skutečný text

Existují dva druhy PDF. Textové PDF vytvořil software, například export z Wordu nebo tisk do PDF z prohlížeče. Obsahuje skutečné znaky. Skenované PDF je sada fotografií stránek. Na obrazovce vypadá stejně, ale uvnitř není žádný text, jen pixely.

Test trvá pět sekund. Otevřete PDF v libovolné čtečce a zkuste myší označit větu, nebo stiskněte Ctrl+F (Cmd+F na Macu) a vyhledejte slovo, které vidíte. Pokud se text zvýrazní nebo ho vyhledávání najde, máte textové PDF. Pokud můžete jen nakreslit rámeček přes celou stránku nebo vyhledávání nic nenajde, jde o sken.

Převod textového PDF do Wordu

U textových PDF je převod jediný krok. Není co ladit: TokPDF převede každou stránku open-source enginem pdf2docx, který běží ve vašem prohlížeči přes WebAssembly. Soubor se nenahrává.

Otevřete PDF do Wordu a přidejte své PDF. Převodník zpracovává jeden soubor najednou.
Spusťte převod. První běh na zařízení je nejpomalejší, protože prohlížeč musí načíst běhové prostředí Pythonu a převodní knihovny. Další převody ve stejné relaci jsou rychlejší.
Stáhněte soubor .docx a otevřete ho ve Wordu, LibreOffice Writer, Dokumentech Google nebo Pages.
Než začnete upravovat, projděte celý dokument. Nejdřív opravte strukturální problémy, například rozbitou tabulku, a teprve potom měňte znění.

Skenovaná PDF: nejdřív spusťte OCR

Převodník do Wordu v TokPDF OCR (optické rozpoznávání znaků) neprovádí. Pokud mu dáte sken, Word dostane obrázky vašich stránek, které upravovat nelze. Text je třeba nejdřív rozpoznat nástrojem OCR PDF.

OCR PDF používá Tesseract, open-source engine pro rozpoznávání, a také běží ve vašem prohlížeči, přičemž jazyková data se načítají z vlastního webu TokPDF. Podporuje 12 jazyků, mimo jiné angličtinu, zjednodušenou a tradiční čínštinu, japonštinu, korejštinu, španělštinu, francouzštinu, němčinu, portugalštinu a arabštinu. Pokud dokument míchá jazyky, můžete jich vybrat několik.

Otevřete OCR PDF, přidejte sken a vyberte jazyk nebo jazyky dokumentu.
Ponechte rozlišení na High Quality, pokud není text drobný; pak zkuste Ultra Resolution. Vyšší rozlišení je pomalejší, ale pomáhá u drobného písma.
Pokud vám jde hlavně o slova, zvolte jako výstup Extract Plain Text File (.txt) nebo Structured Markdown (.md), text pak vložte do Wordu a naformátujte ho tam.
Pokud chcete zachovat obrázky stránek s vybíratelným textem navrch, zvolte Double-Layer Searchable PDF. Tento soubor pak můžete zkusit převést do Wordu, ale výsledek pečlivě zkontrolujte: rozpoznaný text leží neviditelně nad skenem a převodníky tuto vrstvu zvládají různě.

Co z rozvržení přežije a co ne

U jednoduchého dokumentu, jako je dopis, zpráva s nadpisy nebo životopis s jedním či dvěma sloupci, vypadá soubor Word obvykle velmi podobně jako PDF. Potíže se objevují tam, kde vizuální rozvržení PDF nemá ve Wordu zjevný protějšek.

Tabulky s čárami ohraničení se obvykle znovu vytvoří jako skutečné tabulky Wordu. Tabulky bez ohraničení, kde jsou sloupce zarovnané jen mezerami, se jako tabulky nerozpoznají a přijdou jako polohovaný text. U datových tabulek je často lepší cestou PDF do Excelu.
Písma vypadají stejně, jen pokud je písmo nainstalované v počítači, který .docx otevírá. Jinak Word nahradí podobné písmo a může se posunout zalamování řádků.
Vícesloupcové stránky, postranní panely a textová pole se rekonstruují z pozic. Počítejte s úpravou mezer a občas i pořadí textu u složitých rozvržení v duchu časopisu.
Záhlaví, zápatí a čísla stránek mohou přijít jako běžný text nahoře a dole každé stránky, ne jako pole záhlaví a zápatí Wordu.
Obrázky se přenesou. Grafy nakreslené jako vektorová grafika se mohou převést na obrázky s nižším rozlišením.

Opravdu potřebujete Word?

Převod je správná volba, když potřebujete přepsat podstatné části dokumentu. Na menší úkoly existují jiné nástroje, které zachovají původní rozvržení:

Chcete-li opravit překlep, změnit datum nebo vyměnit logo, upravte PDF přímo. Viz jak upravit PDF.
Chcete-li text použít na webu nebo v aplikaci pro poznámky, PDF do Markdownu dá čistší výstup než soubor Word.
Chcete-li vyplnit formulář, použijte Vyplnit formulář místo převodu.
Chcete-li dokument přeložit, průvodce AI nástroji pokrývá překladač TokPDF a jeho omezení.

Soukromí

Převod do Wordu i OCR běží ve vašem zařízení, takže smlouvy, výplatní pásky a lékařské zprávy váš počítač nikdy neopustí. Za to se platí rychlostí na slabém hardwaru: 200stránkový dokument může na starším notebooku trvat několik minut a opuštění karty během práce ho může v některých prohlížečích dále zpomalit. Pozor, stisk tlačítka Zrušit obrazovku resetuje, ale už spuštěný převod nezastaví, takže pokud potřebujete uvolnit zařízení, stránku znovu načtěte.

Často kladené otázky

Proč je můj převedený dokument Word jen z obrázků?

Vaše PDF je téměř jistě sken bez textové vrstvy. Nejdřív spusťte OCR PDF a pak použijte rozpoznaný text.

Mohu převést jen některé stránky?

Převodník vždy převádí celý dokument. Chcete-li převést několik stránek, nejprve je vyjměte nástrojem Extrahovat stránky a pak převeďte menší soubor.

Je převod zdarma?

Ano. PDF do Wordu a OCR jsou v TokPDF zdarma, bez registrace a bez vodoznaku.

Funguje to s PDF chráněnými heslem?

Ano, pokud heslo znáte. TokPDF si ho při přidání souboru vyžádá a před převodem PDF ve vašem prohlížeči odemkne.

Které jazyky OCR jsou podporované?

Dvanáct: angličtina, čínština (zjednodušená), čínština (tradiční), japonština, korejština, španělština, francouzština, němčina, portugalština, arabština, maďarština a urijština. Ostatní jazyky se budou rozpoznávat špatně nebo vůbec.