Chuyển PDF sang Word thì cái gì còn lại, cái gì mất đi

Hiểu vì sao sẽ cho bạn biết nên chọn công cụ nào và trông đợi đến đâu.

PDF là bản in chứ không phải tài liệu

Thứ nằm trong một tệp PDF là danh sách dài các lệnh bảo in ký tự này ở toạ độ 72, 680. Không nơi nào trong tệp ghi lại đoạn văn kết thúc ở đâu, hay hai dòng nào từng thuộc cùng một hàng của một cái bảng.

Thông tin ấy bị vứt đi ngay khi tài liệu được xuất ra PDF, đúng như một tờ giấy in ra thì chẳng cần đến nó. Vậy nên đưa nó trở lại là dựng lại chứ không phải chuyển đổi: hình dạng ban đầu được suy ra từ chỗ các ký tự ngồi.

Chỉ một câu đó giải thích mọi thứ còn lại. Cái bảng méo không phải vì công cụ đọc sai bảng, mà vì chẳng có bảng nào để đọc và nó phải được suy ra chỉ từ vị trí.

Cái suy ra được và cái chưa từng có

Tách hai loại này ra là biết cái gì có thể cải thiện và cái gì thì không.

• Suy ra được. Ngắt đoạn, từ khoảng cách dòng và chỗ dòng dừng lại. Bảng, từ việc các ô có thẳng hàng xuống dưới hay không. Tiêu đề, từ cỡ chữ lớn hơn thân bài. Thuật toán tốt hơn thì chính xác hơn.
• Rút ra trực tiếp được. Bản thân các ký tự, cùng mọi hình ảnh hay con dấu in trên trang. Chúng là những đối tượng có thật trong tệp, không cần đoán.
• Chưa từng được ghi. Bản gốc dùng kiểu Word nào, bảng gộp ô ở đâu, giữa các đoạn cách nhau bao nhiêu điểm. Không công cụ nào tạo ra được những thứ này.

Hãy dè chừng công cụ tái hiện bố cục y hệt

Một số công cụ quảng cáo kết quả khớp bản gốc tới từng điểm ảnh. Mở ra thì đúng là thế thật. Rồi bạn sửa một dòng và tài liệu sụp đổ.

Làm được vậy nghĩa là nhét chữ vào hàng trăm hộp văn bản ghim ở toạ độ cố định thay vì vào các đoạn văn. Một tài liệu dựng kiểu đó trông giống bản gốc nhưng không làm việc được. Xoá một ký tự thì chỉ mỗi hộp đó co lại, mọi thứ quanh nó đứng yên.

Chuyển đổi tồn tại để bạn sửa được. Kết quả không sửa được thì đã mất đi lý do của nó. Nếu mục tiêu là trông y hệt, ngay từ đầu đã chẳng có lý do gì để chuyển đổi.

Lý do thật sự khiến bảng bị sai

Bảng trong PDF rất thường không hề có đường kẻ. Chỗ nào có thì những đường ấy được vẽ ở lớp khác với chữ, vô hình với mọi thứ đang rút chữ ra. Đó là lý do các cách làm dựa trên tìm đường kẻ hỏng thường xuyên đến vậy.

Nên thứ được đọc là vị trí: các ô có mép trái đứng cùng chỗ qua vài dòng được coi là một cái bảng. Cách này yếu nhất ở ô rỗng. Một ô rỗng không để lại dấu vết nào trong tệp, nên hàng đó đơn giản là trông như thiếu một ô và mọi thứ sau nó lệch đi một.

Ô gộp cũng vậy. Mắt bạn thấy hai ô nhập làm một; trong tệp chỉ có một đoạn chữ ngồi lệch sang trái hơn hàng xóm một chút.

Không công cụ nào chuyển được PDF quét

Một tệp PDF do máy quét văn phòng tạo ra là một tấm ảnh cho mỗi trang. Mắt bạn thấy chữ, tệp thì không chứa chữ nào. Đây không phải giới hạn của công cụ mà là sự thiếu vắng ở bản gốc.

Nhận dạng ký tự quang học có thể chế ra chữ từ bức ảnh. Nhưng đó là nhận dạng chứ không phải trích xuất, và nó lẫn vào những lỗi như đọc số không thành chữ O. Trong một hợp đồng hay một hồ sơ nộp đi, loại lỗi ấy rất đắt. Xin bên phát hành tệp gốc thường nhanh hơn.

Tóm lại

Câu hỏi dành cho một công cụ chuyển đổi không phải nó khớp đến đâu, mà là bạn có sửa được thứ nó tạo ra không. Và khi kết quả chưa hoàn hảo, phân biệt được đâu là giới hạn của công cụ và đâu là giới hạn của định dạng sẽ giúp bạn khỏi đổi công cụ vô ích.