PDF به Word رایگان

مثال عملی

«نمونه را امتحان کنید» را بزنید. تراشهٔ فایل document-v1.pdf را نشان می‌دهد، یک PDF یک‌صفحه‌ای با عنوان و شش خط کوتاه مانند «Project: Atlas Rollout» و «Budget: $10,000». «تبدیل به Word» را بزنید. عنوان کوچک «Reading the text layer...» را می‌گوید، تراشه «1 page» را نشان می‌دهد، خطی سبز می‌گوید «✓ Your Word document is ready — document-v1.docx» و «پیش‌نمایش متن استخراج شده» متن را فهرست می‌کند و با «--- Page 1 ---» شروع می‌شود. «دانلود» فایل docx. را ذخیره می‌کند، در حالی که «کپی» و «دانلود .txt» بالای پیش‌نمایش هستند. «Add a «Page N» heading before each page» را علامت بزنید و فایل Word عنوانی با نام «Page 1» می‌گیرد. اسکن رفتار متفاوتی دارد. برای یک PDF اسکن‌شدهٔ 12 صفحه‌ای، پنلی کهربایی می‌گوید «Scanned pages found — run OCR?» و «None of the 12 pages have a text layer, so there is nothing to extract without reading the images.» و اضافه می‌کند «Reading them on your device takes about 6 minutes. Nothing is uploaded.» و «Run OCR on 12 pages» را پیشنهاد می‌دهد.

کدام تنظیمات را استفاده کنید و محدودیت‌ها

• ابتدا بررسی کنید که PDF متن واقعی دارد. ابزار لایهٔ متنی را می‌خواند که PDFهای صادرشده از واژه‌پرداز یا ذخیره‌شده از مرورگر معمولاً دارند. اسکن فقط تصویری از یک صفحه است و چنین لایه‌ای ندارد. صفحه‌هایی که اصلاً متن ندارند یکی‌یکی شمرده می‌شوند، پس فایل ترکیبی به‌درستی رسیدگی می‌شود: «3 of 12 pages have no text layer. The rest were converted normally.» را می‌بینید و فایل Word برای نُه صفحهٔ دیگر هم‌اکنون آمادهٔ دانلود است. شما تصمیم می‌گیرید سه اسکن خوانده شوند یا نه. تا دکمهٔ OCR را نزده‌اید چیزی دانلود یا شروع نمی‌شود.
• پیش از اجرای OCR الفبا را انتخاب کنید. خط «الفبای صفحه‌های اسکن‌شده» را باز کنید. از زبان سایتی که می‌بینید شروع می‌شود و اگر آن زبان مطابقتی نداشته باشد، لاتین است. اسکن متنی ندارد که الفبا از آن تشخیص داده شود، و راهنما هشدار می‌دهد صفحه‌ای که با الفبای اشتباه خوانده شود «comes back as plausible-looking nonsense rather than an error». ده گزینه هست، از لاتین و سیریلیک تا تایلندی، تامیل و تلوگو. هر کدام اندازه‌اش را نشان می‌دهد، از 7.4 MB برای یونانی تا 15.9 MB برای چینی و ژاپنی، و لاتین 7.7 MB است. عبری موجود نیست. جمع کل پنل شامل بخش مشترکی هم هست که همهٔ الفباها استفاده می‌کنند.
• برای هر صفحه حدود 30 ثانیه در نظر بگیرید و در صورت نیاز لغو کنید. برآورد 30 ثانیه برای هر صفحه است. زیر دو دقیقه به ثانیه و با گام‌های 5 نشان داده می‌شود. اجراهای طولانی‌تر دقیقهٔ کامل می‌گیرند، پس 40 صفحه «about 20 minutes» می‌شود. صفحه‌ها یکی‌یکی روی دستگاه خوانده می‌شوند و عنوان کوچک «Reading page 3 of 12...» را می‌شمارد. «لغو» را بزنید و دکمه برای لحظه‌ای می‌گوید «Stopping...». صفحه‌هایی که خوانده شده‌اند حفظ می‌شوند و در فایل Word قرار می‌گیرند و صفحه‌های نرسیده دوباره پیشنهاد می‌شوند. در گوشی، پنل مدل هشدار می‌دهد «On a phone this will be slow - expect several minutes, and keep this tab open.» اگر دستگاه نتواند مدل را اجرا کند، دکمهٔ OCR غیرفعال می‌ماند.
• متن OCR را پیش‌نویس اول بدانید. خروجی OCR اطلاعات موقعیت ندارد، پس هر خط اسکن بند جداگانه‌ای می‌شود، بدون جدول یا عنوان. هر صفحهٔ OCR با یادداشتی ایتالیک شروع می‌شود، «[Read from a scanned page by on-device OCR — check it against the original.]»، و سرصفحهٔ سند هشداری را تکرار می‌کند. به نام فایل «-ocr» اضافه می‌شود، پس اسکنی با نام letter.pdf به‌صورت letter-ocr.docx دانلود می‌شود. خطی زیر نتیجه می‌گوید «OCR read 3 scanned pages. Machine-read text can contain mistakes — check them against the original.» پیش از ارسال فایل، نام‌ها، عددها و تاریخ‌ها را با کاغذ مقایسه کنید.
• بدانید از یک PDF متنی چه چیزهایی منتقل می‌شود. خط‌های شکسته به بند تبدیل می‌شوند. خط کوتاهی که دست‌کم 1.2 برابر بزرگ‌تر از متن اصلی باشد عنوان Word می‌شود و آنکه دست‌کم 1.6 برابر بزرگ‌تر باشد Heading 1. خط‌های بلندتر از 150 نویسه متن اصلی می‌مانند. ستون‌ها فقط وقتی جدول Word می‌شوند که سه ردیف یا بیشتر پشت‌سرهم با همان تعداد ستون هم‌تراز باشند. تصویرها، فونت‌ها و چیدمان صفحه حفظ نمی‌شوند. پیش‌نمایش 8,000 نویسهٔ اول را نشان می‌دهد و متن کامل در دانلود است. «Add a «Page N» heading before each page» به‌طور پیش‌فرض خاموش است، چون این عنوان‌ها در خود PDF نیستند.
• چند PDF را یک‌جا تبدیل کنید. بیش از یک PDF را رها کنید، یا وقتی یکی بارگیری شده «افزودن فایل‌های بیشتر» را بزنید. دکمه می‌گوید «Convert 3 PDFs to Word». هر فایل docx. خودش می‌شود و «Download all (3)» آن‌ها را در یک ZIP به نام pdf-to-word ذخیره می‌کند. حالت دسته‌ای فقط لایهٔ متنی را می‌خواند. PDF کاملاً اسکن‌شده در ردیف خود با «Scanned PDF with no text layer. Open it on its own to read it with OCR.» شکست می‌خورد و PDF نیمه‌اسکن‌شده یادداشتی مانند «2 scanned pages skipped» نشان می‌دهد. فایل‌هایی که PDF نیستند کنار گذاشته می‌شوند، با پیام «Some files were skipped because they are not PDFs.»

مشکلات رایج و راه حل آن‌ها

پیام «Something went wrong. Please try again.» نمایش داده می‌شود.

خواننده با خطایی شکست خورد که ابزار برایش پیام ویژه‌ای ندارد. فقط خطای گذرواژه و خطای PDF نامعتبر جملهٔ خاص خود را دارند («This file could not be read as a PDF — it may be corrupt.»)، و سندی با صفر صفحه همان پیام خراب‌بودن را می‌گیرد. هر چیز دیگر، از جمله «UnknownErrorException» خود خواننده، به اینجا می‌رسد. فایل را در نمایشگر PDF دیگری باز کنید. اگر باز شد، از آنجا آن را به یک PDF جدید چاپ کنید و سپس آن نسخه را تبدیل کنید.

پیام «No extractable text found in this PDF.» نمایش داده می‌شود.

هر صفحه تصویر است و شما روی پیشنهاد OCR «نه، ممنون» را زده‌اید، پس چیزی برای تبدیل نیست. این ایراد فایل نیست. لایهٔ متنی خالی است. دوباره «تبدیل به Word» را بزنید تا پیشنهاد برگردد، الفبای صفحه‌ها را انتخاب کنید و «Run OCR on N pages» را بزنید. اگر OCR نمی‌خواهید، کلمه‌ها باید از منبع دیگری بیایند، چون PDF بدون لایهٔ متنی کلمه‌ای برای کپی ندارد.

پیام «OCR ran, but found no readable text on the scanned pages.» نمایش داده می‌شود.

هر صفحه ترسیم و خوانده شد و شناساگر متنی برنگرداند. حالت ساده صفحه‌ای است که واقعاً خالی است، پس صفحه‌ها را در نمایشگر بررسی کنید. صفحه‌هایی که خوانده شده‌اند دوباره پیشنهاد نمی‌شوند، حتی وقتی خالی برگشته باشند. برای امتحان الفبای دیگر، «تبدیل به Word» (یا «تبدیل دوباره») را بزنید که بررسی را از نو شروع می‌کند و پیشنهاد را دوباره نشان می‌دهد. راهنمای زیر انتخاب‌گر می‌گوید الفبای اشتباه به‌جای خطا بی‌معنی می‌دهد، پس انتخاب‌گر را هم بررسی کنید.

پیام «The scanned pages could not be read. Please try again.» نمایش داده می‌شود.

چیزی در مرحلهٔ OCR شکست خورد. صفحه‌ای که 120 ثانیه پیشرفت نکند متوقف‌شده تلقی می‌شود. ابزار آن خواننده را دور می‌اندازد و در تلاش بعدی خوانندهٔ تازه‌ای شروع می‌کند. اگر در اسکن طولانی تکرار شد، رایانه را امتحان کنید یا PDF را تقسیم کنید تا هر اجرا کوتاه‌تر شود. پیام مرتبط «Page 4 is too large to render for OCR.» وقتی ظاهر می‌شود که صفحه به تصویری بیش از 16,384 پیکسل در هر ضلع نیاز داشته باشد.

پیام «This PDF is password-protected. Remove the password and try again.» نمایش داده می‌شود.

PDF رمزگذاری شده است، پس متنش هنوز خوانده نمی‌شود. زیر پیام، کادر «Send this file to another tool» گزینهٔ «باز کردن قفل PDF» را پیشنهاد می‌دهد. همان فایل را درون همین مرورگر به ابزار باز کردن قفل PDF می‌دهد و کادر یادآوری می‌کند «Nothing is uploaded.» آنجا قفلش را باز کنید و سپس فایل بازشده را اینجا اضافه کنید. در حالت دسته‌ای همین پیام در ردیف آن فایل ظاهر می‌شود.

مقایسه آن

اگر نیاز دارید صفحه دقیقاً مانند PDF باشد، این ابزار مناسب نیست. متن را استخراج می‌کند و بند، عنوان و جدول‌های ساده را بازسازی می‌کند، که وقتی می‌خواهید کلمه‌ها را ویرایش یا دوباره استفاده کنید مناسب است. تصویر، فونت یا چیدمان اصلی را حفظ نمی‌کند و PDF جست‌وجوپذیر نمی‌سازد. صفحه‌های اسکن‌شده با OCR روی دستگاه خوانده می‌شوند، پس متن ممکن است اشتباه داشته باشد و باید آن را غلط‌گیری کنید. اولین اجرای OCR یک بار مدلی دانلود می‌کند، 7.4 تا 15.9 MB برای الفبا به‌علاوهٔ بخش مشترک. چیزی نیاز به نصب ندارد و PDF آپلود نمی‌شود.