Что уцелеет, когда PDF станет файлом Word

Понимание причины подсказывает, какой инструмент выбрать и чего от него ждать.

PDF, это отпечаток, а не документ

Внутри PDF лежит длинный список команд вида напечатай этот знак в точке 72, 680. Нигде в файле не записано, где заканчивался абзац и какие две строки принадлежали одной строке таблицы.

Эти сведения выбрасываются в момент экспорта документа в PDF, ровно так же как отпечатанному листу они не нужны. Поэтому вернуть его обратно, значит восстановить, а не преобразовать: исходная форма выводится из того, где стоят символы.

Одна эта фраза объясняет всё остальное. Таблица выходит кривой не потому, что конвертер неверно её прочитал, а потому, что читать было нечего и таблицу пришлось вывести из одного лишь расположения.

Что выводится и чего никогда не было

Разделив эти два случая, вы поймёте, что может улучшиться, а что нет.

• Выводится. Границы абзацев, по межстрочным промежуткам и по тому, где строка обрывается. Таблицы, по тому, выравниваются ли ячейки вниз по странице. Заголовки, по кеглю крупнее основного текста. Чем лучше алгоритм, тем точнее результат.
• Извлекается напрямую. Сами символы, а также любые изображения и печати, отпечатанные на странице. Это настоящие объекты в файле, и гадать о них не нужно.
• Никогда не записывалось. Каким стилем Word пользовался оригинал, где в таблице были объединены ячейки, сколько пунктов отбивки стояло между абзацами. Ни один инструмент это не создаст.

Остерегайтесь конвертеров, точно повторяющих вёрстку

Некоторые инструменты обещают результат, совпадающий с оригиналом до пикселя. Открываешь, и правда совпадает. Потом правишь одну строку, и документ рассыпается.

Добиться этого можно, только рассыпав текст по сотням надписей, прибитых к фиксированным координатам, вместо абзацев. Собранный так документ выглядит как оригинал, но работать в нём нельзя. Удалите символ, и подстроится лишь та самая надпись, а всё вокруг останется на месте.

Преобразование существует ради того, чтобы вы могли править. Результат, который нельзя править, теряет смысл. Если цель, выглядеть одинаково, то преобразовывать изначально незачем.

Настоящая причина кривых таблиц

У таблиц в PDF очень часто вовсе нет линий. Там, где они есть, эти линии нарисованы на другом слое, нежели текст, и невидимы для всего, что извлекает слова. Именно поэтому подходы, построенные на поиске линий, так часто дают сбой.

Читается, стало быть, положение: ячейки, левый край которых совпадает на нескольких строках, считаются таблицей. Слабее всего этот метод на пустых ячейках. Пустая ячейка не оставляет в файле следа, поэтому в той строке словно на одну ячейку меньше, и всё последующее сдвигается на одну позицию.

С объединёнными ячейками то же самое. Глаз видит две слитые ячейки, а в файле лежит один кусок текста, стоящий чуть левее соседей.

Отсканированный PDF не преобразует ни один инструмент

PDF, сделанный офисным сканером, это по одной фотографии на страницу. Глаз видит буквы, файл не содержит ни одной. Это не ограничение инструмента, а отсутствие данных в источнике.

Оптическое распознавание может изготовить текст из картинки. Но это распознавание, а не извлечение, и оно подмешивает ошибки вроде прочтения нуля как буквы O. В договоре или подаваемой форме такая ошибка обходится дорого. Попросить оригинал у того, кто выдал документ, обычно быстрее.

Коротко говоря

Вопрос к конвертеру не в том, насколько похоже, а в том, можно ли править то, что вышло. И когда результат неидеален, умение отличить предел инструмента от предела формата избавляет от бессмысленной смены инструментов.