PDF を Word にすると何が残り、何が消えるのか

理由が分かれば、どの道具を選ぶか、どこまで期待してよいかが決まる。

PDF は文書ではなく印刷物だ

PDF の中にあるのは「横 72、縦 680 の位置にこの文字を打て」という指示の長い並びだけだ。どこで段落が切れていたのか、どの行とどの行が同じ表の同じ行だったのかは、ファイルのどこにも書かれていない。

Word から PDF に書き出した時点でその情報が捨てられるからだ。紙に印刷するのに段落の情報が要らないのと同じである。だから戻す作業は変換ではなく復元だ。文字が置かれた位置を見て元の形を推し量る。

この一文が残りを全部説明する。表がずれるのは変換ソフトが表を読み違えたからではなく、読むべき表が最初から無くて位置だけから表を組み直しているからだ。

推し量れるものと、最初から無い情報

この二つを分けると、何が良くなり得て何が不可能かがはっきりする。

• 推し量れるもの。段落の切れ目(行間と行末の位置から)、表(升目が何行にもわたって縦に揃っているかから)、見出し(本文より大きな文字かどうかから)。仕組みが良くなれば精度も上がる。
• そのまま取り出せるもの。文字そのものと、ページに置かれた画像や印影。これらは実体なので推測が要らない。
• 最初から無い情報。元が Word のどのスタイルを使っていたか、表のどこで升目が結合されていたか、段落の間隔が何ポイントだったか。どんな道具もこれは作れない。

配置をそっくり再現する変換ソフトには気をつける

元と一画素まで同じだと謳う道具がある。開いてみると本当に同じだ。ところが一行直した途端に文書が崩れる。

そうするには文字を段落ではなくテキストボックスに入れて座標に打ち込むしかないからだ。数百のボックスがそれぞれの位置に浮いている文書は、見た目は元のままでも編集できない。一文字消してもそのボックスだけが縮み、まわりは動かない。

変換は直すためにする作業だ。直せない結果物は目的を失う。元と同じに見えることが目的なら、そもそも変換する理由がない。

表がずれる本当の理由

PDF の表に線がないことはとても多い。あってもその線は文字と別の層に描かれていて、文字を取り出す側からは見えない。線を探して表を見つけようとする方法がよく失敗する理由だ。

だから位置を見る。升目の左端が何行にもわたって同じ位置に並んでいれば表と見る。この方法は値の空いた升目に弱い。空の升目は PDF の中に何の跡も残さないので、その行だけ升目が一つ少なく見え、結果が一つずつずれる。

結合された升目も同じだ。人の目には二つが結合されて見えても、ファイルの中には文字が一つ少し左にあるだけである。

スキャンした PDF はどんな道具でも無理だ

複合機でスキャンした PDF はページ全体が一枚の写真だ。人の目には文字に見えても、ファイルの中に文字は一つもない。これは道具の性能ではなく元に情報がない問題である。

文字認識(OCR)を使えば作り出すことはできる。ただしそれは抽出ではなく認識なので、数字の 0 と英字の O を取り違えるような誤りが混ざる。契約書や提出書類ではその誤りが高くつく。できれば発行元に元のファイルを頼むほうが早い。

まとめると

変換ソフトを選ぶときに問うべきは「どれだけ同じか」ではなく「直せるか」だ。そして結果が完璧でないとき、それが道具の限界か形式の限界かを見分けられれば、無駄に道具を替え続ける時間を省ける。