PDFからWordへの変換は、形式を変えるだけに聞こえますが、実際にはリバースエンジニアリングに近い作業です。PDFが記録しているのは、各文字や行がページのどこにあるかという情報だけです。Wordのように段落、段組み、表としては記録していないため、変換ツールはそれを推測で復元しなければなりません。優れたツールは、きれいな文書なら高い精度で推測できますが、複雑な文書では外してしまいます。
このガイドでは、TokPDFのPDFからWord変換で最良の結果を得る方法、先にOCRが必要かどうかの見分け方、表・段組み・フォントについて何を期待できるかを説明します。
まず、PDFに本物のテキストがあるか確認する
PDFには2種類あります。テキストPDFはソフトウェアで作られたもので、たとえばWordから書き出したり、ブラウザからPDFに印刷したりしたものです。実際の文字データが入っています。スキャンPDFは、ページを撮影した写真を重ねたものです。画面上の見た目は同じでも、中にテキストはなく、あるのはピクセルだけです。
確認は5秒で済みます。任意のビューアーでPDFを開き、マウスで一文を選択してみるか、Ctrl+F（MacならCmd+F）で見えている単語を検索します。文字がハイライトされる、または検索で見つかればテキストPDFです。ページ全体を囲む四角しか選べない、または検索で何も見つからない場合はスキャンです。
テキストPDFをWordに変換する
テキストPDFなら、変換は1ステップです。調整する設定はありません。TokPDFはオープンソースのpdf2docxエンジンですべてのページを変換し、このエンジンはWebAssembly経由でブラウザ内で動作します。ファイルはアップロードされません。
PDFからWordを開き、PDFを追加します。変換できるのは一度に1ファイルです。
変換を開始します。デバイスでの初回は最も遅くなります。ブラウザがPythonランタイムと変換ライブラリを読み込む必要があるためです。同じセッション内の2回目以降は速くなります。
docxファイルをダウンロードし、Word、LibreOffice Writer、Googleドキュメント、Pagesのいずれかで開きます。
編集を始める前に、文書全体をスクロールして確認します。壊れた表などの構造上の問題を先に直し、そのあとで文言を修正してください。
スキャンPDF：先にOCRを実行する
TokPDFのWord変換は、OCR（光学文字認識）を行いません。スキャンPDFを渡すと、Wordに届くのはページの画像で、編集はできません。先にOCR PDFで文字を認識させる必要があります。
OCR PDFは、オープンソースの認識エンジンであるTesseractを使い、こちらもブラウザ内で動作します。言語データはTokPDF自身のサイトから配信されます。英語、簡体字・繁体字中国語、日本語、韓国語、スペイン語、フランス語、ドイツ語、ポルトガル語、アラビア語など、12言語に対応しています。文書に複数の言語が混在する場合は、複数選択できます。
OCR PDFを開き、スキャンしたファイルを追加して、文書の言語（複数可）を選択します。
解像度は高品質のままにします。文字がとても小さい場合は超高解像度を試してください。解像度を上げると遅くなりますが、小さな文字の認識に役立ちます。
主に文字が欲しい場合は、出力としてプレーンテキストファイル（.txt）か構造化Markdown（.md）を選び、テキストをWordに貼り付けてからそこで書式を整えます。
ページ画像を残したまま、その上に選択可能なテキストを重ねたい場合は、二層の検索可能PDFを選びます。そのファイルをWordに変換してみることもできますが、結果は慎重に確認してください。認識したテキストはスキャン画像の上に見えない状態で重なっており、変換ツールによるこのレイヤーの扱いはまちまちです。
再現されるレイアウトと、されないレイアウト
手紙、見出しのあるレポート、1～2段組みの履歴書といったシンプルな文書なら、Wordファイルの見た目はたいていPDFにかなり近くなります。問題が出るのは、PDFの見た目のレイアウトに、Wordで対応する明確な仕組みがない部分です。
- 罫線のある表は、通常Wordの本物の表として再構築されます。罫線のない表、つまり余白だけで列をそろえた表は、表として検出されず、配置されたテキストとして出力されます。データの表なら、PDFをExcelに変換のほうがよい選択になることが多いです。
- フォントは、docxを開くパソコンにそのフォントがインストールされている場合にだけ、同じ見た目になります。そうでなければWordが似たフォントで代替し、改行位置がずれることがあります。
- 複数段組みのページ、サイドバー、テキストボックスは、位置情報から再構築されます。余白の調整が必要になることがあり、雑誌風の複雑なレイアウトでは、まれにテキストの順序も直す必要があります。
- ヘッダー、フッター、ページ番号は、Wordのヘッダー・フッターのフィールドではなく、各ページの上下にある通常のテキストとして出力されることがあります。
- 画像は引き継がれます。ベクターグラフィックで描かれたグラフは、低解像度の画像に変換されることがあります。
本当にWordが必要ですか？
文書の大部分を書き直す必要があるなら、変換が正しい選択です。もっと小さな作業なら、元のレイアウトを崩さずに済む別のツールがあります。
- 誤字の修正、日付の変更、ロゴの差し替えなら、PDFを直接編集します。PDFを編集する方法をご覧ください。
- テキストをWebサイトやメモアプリで再利用するなら、PDFからMarkdownのほうが、Wordファイルよりきれいな出力が得られます。
- フォームに記入するなら、変換せずにフォーム記入を使ってください。
- 文書を翻訳するなら、AIツールのガイドでTokPDFの翻訳ツールとその制限を解説しています。
プライバシー
Word変換もOCRもお使いのデバイス上で実行されるため、契約書、給与明細、診断書などがパソコンの外に出ることはありません。その代わり、性能の低いハードウェアでは速度が落ちます。200ページの文書は、古いノートPCでは数分かかることがあり、処理中にタブを離れると、ブラウザによってはさらに遅くなる場合があります。なお、キャンセルを押すと画面はリセットされますが、すでに始まった変換は止まりません。デバイスの負荷を解放したい場合は、ページを再読み込みしてください。