Che cosa sopravvive quando un PDF diventa un file Word

Capire il perché ti dice quale strumento scegliere e quanto puoi aspettarti.

Un PDF è uno stampato, non un documento

Dentro un PDF c’è un lungo elenco di istruzioni che dicono stampa questo carattere a 72, 680. Da nessuna parte nel file è registrato dove finiva un paragrafo né quali due righe appartenevano alla stessa riga di una tabella.

Quell’informazione viene buttata nel momento in cui un documento viene esportato in PDF, esattamente come un foglio stampato non ne ha bisogno. Riportarlo indietro è quindi una ricostruzione e non una conversione: la forma originale viene dedotta da dove poggiano i caratteri.

Questa sola frase spiega tutto il resto. La tabella esce storta non perché il convertitore l’abbia letta male, ma perché non c’era alcuna tabella da leggere e ha dovuto essere dedotta dalla sola posizione.

Ciò che si deduce e ciò che non c’è mai stato

Separare queste due cose ti dice che cosa può migliorare e che cosa no.

• Deducibile. La divisione in paragrafi, dall’interlinea e da dove le righe si fermano. Le tabelle, dal fatto che le celle restino allineate verso il basso. I titoli, da un corpo più grande del testo. Algoritmi migliori li rendono più precisi.
• Estraibile direttamente. I caratteri stessi, e qualsiasi immagine o timbro stampato sulla pagina. Sono oggetti reali nel file e non serve indovinarli.
• Mai registrato. Quale stile di Word usasse l’originale, dove la tabella avesse celle unite, quanti punti di spazio ci fossero tra i paragrafi. Nessuno strumento può produrli.

Diffida dei convertitori che riproducono l’impaginazione esatta

Alcuni strumenti promettono un risultato identico all’originale pixel per pixel. Lo apri ed è davvero così. Poi modifichi una riga e il documento si sfascia.

Ottenerlo significa mettere il testo in centinaia di caselle fissate a coordinate immobili anziché in paragrafi. Un documento costruito così sembra l’originale ma non ci si può lavorare. Cancella un carattere e solo quella casella si adatta, mentre tutto intorno resta fermo.

La conversione esiste perché tu possa modificare. Un risultato che non puoi modificare ha perso il suo scopo. Se l’obiettivo è sembrare identico, non c’era motivo di convertire.

Il vero motivo per cui le tabelle escono male

Le tabelle nei PDF molto spesso non hanno alcun filetto. Dove ci sono, quei filetti sono disegnati su un livello diverso dal testo, invisibili a qualunque cosa ne estragga le parole. È per questo che gli approcci basati sul trovare i filetti falliscono così spesso.

Quello che si legge è dunque la posizione: le celle il cui bordo sinistro coincide su più righe vengono prese per una tabella. Il metodo è più debole sulle celle vuote. Una cella vuota non lascia traccia nel file, quindi quella riga sembra averne una in meno e tutto ciò che segue slitta di uno.

Con le celle unite succede lo stesso. Il tuo occhio vede due celle fuse; il file contiene un pezzo di testo che sta un po’ più a sinistra dei vicini.

Nessuno strumento converte un PDF scansionato

Un PDF prodotto da uno scanner da ufficio è una sola fotografia per pagina. I tuoi occhi vedono lettere, il file non ne contiene nessuna. Non è un limite dello strumento ma un’assenza nell’origine.

Il riconoscimento ottico può fabbricare testo a partire dall’immagine. Ma quello è riconoscere e non estrarre, e ci mescola errori come leggere uno zero come la lettera O. In un contratto o in un modulo da consegnare quel tipo di errore costa caro. Chiedere il file originale a chi lo ha emesso di solito è più rapido.

In breve

La domanda da fare a un convertitore non è quanto somiglia, ma se puoi modificare ciò che ne esce. E quando il risultato non è perfetto, saper distinguere un limite dello strumento da un limite del formato ti risparmia di cambiare strumento per niente.