PDF ke Word: tinjau teks, OCR, dan struktur dokumen
Admin ·
PDF ke Word membaca halaman pilihan di browser, memungkinkan Anda memperbaiki hasilnya, lalu membuat file DOCX yang dapat diedit. Mulailah dengan rentang pendek yang mewakili isi dokumen. Gunakan teks yang sudah ada, OCR untuk pindaian cetak, atau rekonstruksi struktur opsional, lalu bandingkan hasil tinjauan dengan sumber sebelum mengunduh.
PDF menjelaskan halaman dengan posisi tetap. Dokumen Word yang dapat diedit berisi paragraf, tabel, dan elemen lain yang dapat mengalir ulang. Konversi menyusun kembali konten tanpa menjamin baris, font, atau pemisah halaman yang sama persis. Simpan PDF sumber dan periksa hasil Word di aplikasi yang akan Anda gunakan.
Mulai dari halaman yang memperlihatkan potensi masalah
Pilih satu PDF atau seret ke ruang kerja. Pengaturan awalnya adalah pembacaan otomatis, OCR bahasa Inggris, dan paragraf polos yang dapat diedit. Isi rentang pendek pada “Halaman”, masukkan kata sandi yang diketahui jika diperlukan, lalu pilih “Baca teks PDF”. Memilih file saja belum menghasilkan unduhan Word.
Pilih sampel yang memuat unsur yang diperlukan: teks biasa, pindaian, tabel, atau dua kolom. Jika tabel, judul, daftar, atau gambar penting, aktifkan “Rekonstruksi struktur dokumen” sebelum membaca. Pilihan ini mengubah tinjauan dan jenis keluaran awal. Periksa hasil pertama sebelum memproses pilihan yang lebih besar.
- Simpan PDF asli sebagai acuan visual.
- Pilih bahasa cetak OCR secara sengaja; bahasa antarmuka tidak memilih model OCR.
- Periksa nama, angka, baris yang hilang, dan urutan baca sebelum ekspor.
Pilih cara membaca halaman yang dipilih
“Otomatis” memakai teks yang sudah ada jika hasil ekstraksi tidak kosong setelah spasi di awal dan akhir dibuang. OCR hanya dipakai pada halaman tanpa teks tersebut. Mode ini tidak menilai kelengkapan atau kebenaran lapisan teks. Karena itu, halaman dengan judul di atas faktur hasil pindai dapat menghasilkan judul saja dan melewatkan kata-kata di dalam gambar.
Pilih “OCR · setiap halaman terpilih” jika kata penting berada di gambar atau lapisan teks tidak dapat digunakan. Halaman pilihan dirender menjadi gambar dan teks cetaknya dikenali, termasuk teks terlihat yang sudah ada. Proses ini dapat menimbulkan kesalahan baru. Bandingkan lagi hasilnya; OCR tidak otomatis memperbaiki setiap dokumen.
| Metode baca | Titik awal yang sesuai | Batas utama |
|---|---|---|
| Otomatis | Halaman teks biasa dan halaman pindaian yang terpisah dalam satu dokumen | Lapisan teks yang sebagian berguna dapat mencegah OCR pada halaman campuran |
| Hanya teks PDF yang ada | Meninjau teks yang dapat dipilih tanpa OCR | Teks di gambar dan nilai kolom formulir dapat hilang |
| OCR · setiap halaman terpilih | Pindaian cetak, halaman campuran, atau lapisan teks tidak berguna | Paling banyak 10 halaman OCR; periksa hasil pengenalan |
Pembelajaran Adobe Acrobat: memindai dokumen dan menggunakan OCRDokumentasi Tesseract: meningkatkan kualitas pengenalanTesseract.js: pengenalan gambar dan batas dukungan PDF
Tentukan rentang halaman dan periksa urutannya
Kolom “Halaman” yang kosong memilih seluruh dokumen sumber. Dengan 1-3, 5, alat membaca tiga halaman pertama lalu halaman kelima. Setiap rentang harus menaik, tetapi entri terpisah mempertahankan urutan penulisan. Contohnya, 3,1,3 menghasilkan tiga entri tinjauan: halaman tiga, halaman satu, lalu halaman tiga lagi. Halaman berulang dihitung kembali terhadap batas pilihan dan OCR.
Dokumen sumber boleh berisi paling banyak 300 halaman, sedangkan satu proses memilih paling banyak 50 halaman. Memilih satu halaman dari dokumen 301 halaman tidak membebaskan sumber dari batas jumlah halaman tersebut. Pecah sumber terlebih dahulu menjadi PDF yang sesuai. Untuk pindaian multibahasa, baca rentang terpisah dengan model OCR yang sesuai; jangan menganggap bahasa seluruh pilihan terdeteksi otomatis.
API PDF.js: memuat dokumen, membaca teks, dan merender halaman
Pilih bahasa cetak dan siapkan pindaian yang terbaca
OCR menyediakan bahasa Inggris, Prancis, Jerman, Italia, Portugis, Spanyol, Tionghoa Sederhana, Hindi, Arab, dan Bengali. Satu model yang dipilih berlaku bagi semua halaman OCR dalam proses baca tersebut. Antarmuka bahasa Indonesia dan Urdu tidak menambah model pengenalan untuk kedua bahasa itu. Tulisan tangan dan bahasa di luar daftar tidak didukung. OCR tidak menerjemahkan teks.
Halaman yang jelas, tegak, dan tercetak dengan terbaca lebih sesuai daripada pindaian kabur, miring, atau beresolusi rendah. Halaman OCR dirender pada 200 piksel per inci PDF; tidak ada pengaturan resolusi atau peningkatan pindaian. OCR struktur memakai kotak kata tanpa rotasi dan menonaktifkan pelurusan otomatis. Perbaiki orientasi sebelum impor jika perlu. Bahkan dengan keyakinan tinggi, baris dapat hilang atau pengenal dapat terbaca salah.
Dokumentasi Tesseract: meningkatkan kualitas pengenalanTesseract.js: pengenalan gambar dan batas dukungan PDF
Bandingkan dan perbaiki setiap halaman asli
Tinjauan menampilkan halaman asli di samping teks yang dapat diedit dan menyediakan pemilih halaman. Periksa nama, tanggal, pemisah desimal, nomor rekening, tanda baca, dan kelengkapan baris. Pertahankan pengenal seperti 9007199254740993 sebagai teks; konverter tidak mengharuskan pembulatan atau perlakuan sebagai angka spreadsheet.
Dalam mode teks polos, Anda langsung mengedit teks. Pemisah baris menjadi paragraf Word. Tinjauan kosong juga bisa diisi jika pembacaan tanpa OCR tidak menemukan teks yang sudah ada. Namun, tinjauan teks yang sepenuhnya kosong tidak dapat dibuat menjadi Word. Jika isi cetak dari pindaian hilang, baca ulang dengan OCR dan periksa ekstraksi baru. Membaca ulang membuang tinjauan sebelumnya; unduh dahulu perbaikan yang ingin disimpan.
Dukungan Microsoft: membuka PDF di Word dan batas konversiDokumentasi Tesseract: meningkatkan kualitas pengenalan
Rekonstruksi blok untuk tata letak yang dapat diedit
Mode struktur mencoba menyusun kembali paragraf, judul, daftar yang didukung, tabel, area satu atau dua kolom, dan gambar. Tag PDF yang berguna dapat membantu; konten lain dikelompokkan menurut posisi dan tampilannya. Tag maupun perkiraan geometri tidak menjamin urutan baca yang benar. Bandingkan blok dengan sumber, lalu pindahkan, edit, atau hapus sesuai kebutuhan.
Sel tabel tetap dapat diedit, termasuk pada tabel yang ditambahkan manual. Periksa penempatan kolom, kepala tabel gabungan, dan urutan baca sel. Daftar dari halaman sumber berbeda mendapat definisi penomoran Word yang terpisah; periksa kelanjutan dan awal ulangnya. Dokumen dapat tampak masuk akal tetapi menempatkan teks kolom kanan sebelum kolom kiri.
| Bagian tinjauan | Koreksi yang berguna | Periksa setelah ekspor |
|---|---|---|
| Judul dan daftar | Pilih tingkat judul, gaya, dan penomoran; urutkan blok | Hierarki judul dan kelanjutan daftar |
| Tabel | Perbaiki teks sel, baris, kolom, dan penafsiran penggabungan | Setiap nilai berada di bawah kepala yang tepat |
| Kolom dan gambar | Periksa urutan area serta tambah atau hapus potongan | Urutan baca, grafik hilang, dan teks ganda |
Dukungan Microsoft: membuka PDF di Word dan batas konversiAPI PDF.js: memuat dokumen, membaca teks, dan merender halaman
Periksa font, warna, dan potongan gambar
Mode struktur dapat mempertahankan nama keluarga font yang dipetakan, ukuran, dan warna teks solid yang didukung, serta menyediakan pilihan koreksi. Font asli tidak disematkan. Browser atau pengolah kata dapat mengganti keluarga font yang tidak tersedia. Transparansi, pola, garis luar, dan pemotongan tidak meniru tampilan PDF secara persis. Baca peringatannya dan bandingkan pratinjau.
Gambar berupa potongan hasil render, bukan file gambar asli yang disematkan. Struktur dari teks asli menggunakan render halaman 150 PPI dan dapat menghilangkan gambar satu halaman penuh atau yang bertumpang tindih dengan teks untuk menghindari duplikasi. Grafik vektor, mask, serta gambar berulang atau berkelompok mungkin memerlukan potongan manual. Potongan dapat memuat piksel teks yang juga ada dalam blok yang dapat diedit. Periksa keduanya agar tidak terduplikasi. OCR struktur tidak otomatis mengubah setiap gambar menjadi objek gambar terpisah.
Dukungan Microsoft: membuka PDF di Word dan batas konversiAPI PDF.js: memuat dokumen, membaca teks, dan merender halaman
Ingat bahwa edit teks dan struktur disimpan terpisah
Jika tinjauan struktur tersedia, “Konten Word” menawarkan “Struktur yang ditinjau” atau “Paragraf polos yang dapat diedit”. Masing-masing menyimpan perubahan sendiri. Memperbaiki tabel di struktur tidak menulis ulang versi teks polos; mengedit teks polos tidak memperbarui blok struktur. Pilih versi yang diinginkan sebelum mengunduh DOCX atau teks.
Mengubah opsi pembacaan, memilih file baru, atau membaca ulang membuang tinjauan. Mengubah pengaturan keluaran Word saja mempertahankan isi yang ditinjau dan menghapus hasil lama agar dibuat kembali. Kesalahan ekspor yang sedang ditampilkan juga dibersihkan. Ekspor berikutnya tetap harus selesai dengan sukses.
API PDF.js: memuat dokumen, membaca teks, dan merender halaman
Pilih ukuran halaman dan periksa DOCX yang dibuat
Keluaran teks polos menawarkan US Letter atau A4 dan menghasilkan paragraf yang dapat diedit tanpa menyalin tabel, gambar, tautan, formulir, font, atau tata letak asli. Keluaran struktur menggunakan blok tinjauan serta menawarkan ukuran halaman sumber. Mengaktifkan rekonstruksi mula-mula memilih struktur dan ukuran sumber. Beralih ke teks polos mengganti pilihan ukuran sumber menjadi Letter.
Opsi pemisah halaman memulai setiap halaman sumber pada halaman Word baru, tetapi tidak menjamin pembagian halaman yang sama di dalamnya. Teks, margin, font pengganti, dan pengolah kata memengaruhi aliran isi. Pilih “Buat dokumen Word →”, tunggu hasilnya, lalu unduh DOCX. Rekonstruksi sendiri sudah mensyaratkan setiap sisi halaman sumber berukuran 0,5 sampai 22 inci. Jika di luar rentang tersebut, nonaktifkan rekonstruksi dan baca ulang untuk keluaran teks polos Letter atau A4, atau siapkan PDF berukuran standar terlebih dahulu. Batas masukan dan render lainnya tetap berlaku.
Periksa batas file, pilihan, dan teks secara terpisah
Batas masukan 50 MB sama dengan 50000000 byte. Batas halaman dan render juga berlaku: file terkompresi yang kecil dapat memuat halaman yang sangat besar. Memilih lebih sedikit halaman mengurangi pekerjaan total, tetapi batas jumlah halaman sumber dan ukuran file maksimum tetap berlaku. Struktur dan OCR menghasilkan gambar halaman yang lebih besar daripada pratinjau teks polos.
Batas teks menghitung unit UTF-16 JavaScript, bukan karakter yang terlihat. Beberapa simbol memakai dua unit dan rangkaian karakter gabungan bisa memakai lebih banyak. Total tinjauan yang ditampilkan tidak menyertakan pemisah yang kemudian ditambahkan antarahalaman untuk TXT dan penghitung kata. Ekspor struktur juga membatasi blok, rentang teks berformat, gambar, dan tabel. Jika batas tercapai, kurangi pilihan atau sederhanakan dokumen yang ditinjau.
| Bagian | Batas yang diterapkan | Jika batas tercapai |
|---|---|---|
| PDF sumber | 50000000 byte dan 300 halaman | Pecah atau perkecil sumber terlebih dahulu |
| Halaman pilihan | 50 entri; paling banyak 10 dengan OCR | Pilih rentang lebih kecil dan hindari pengulangan tak disengaja |
| Teks tinjauan/ekspor | 1000000 unit UTF-16; DOCX polos paling banyak 20000 paragraf | Ekspor dalam bagian lebih kecil |
| Halaman yang dirender | 8192 piksel per sisi; 8000000 piksel per gambar halaman; total 80000000 | Gunakan rentang lebih kecil atau halaman sumber ukuran standar |
| Sumber daya tinjauan awal | Total 50000000 byte untuk pratinjau, render sumber, dan gambar | Gunakan lebih sedikit halaman atau teks polos |
| DOCX terstruktur | 2000 blok, 50000 rentang berformat, 100 gambar, dan 50000000 byte gambar; keluaran paling banyak 100000000 byte | Sederhanakan blok dan gambar atau pecah proses |
| Setiap tabel terstruktur | 200 baris, 12 kolom, dan 2000 sel | Pecah tabel besar menjadi bagian yang sesuai |
| Batas waktu | 180 detik untuk membaca; 60 detik untuk membuat Word | Coba ulang proses lebih kecil pada perangkat yang tersedia |
API PDF.js: memuat dokumen, membaca teks, dan merender halamanTesseract.js: pengenalan gambar dan batas dukungan PDF
Gunakan pesan kesalahan untuk menentukan langkah berikutnya
Ekstensi .pdf tidak menjamin isi PDF dapat dibaca. Alur ini memakai diagnostik PDF ketat dengan pengecualian terbatas untuk peringatan font yang dapat diperbaiki. File rusak yang ditampilkan penampil lain setelah perbaikan masih dapat ditolak. Pratinjau yang berhasil di aplikasi lain tidak membuktikan teks atau struktur dapat direkonstruksi dengan andal di sini.
Jika pembacaan gagal atau dibatalkan, antarmuka tidak menyediakan sebagian halaman tinjauan dari pilihan tersebut. Perbaiki masukan atau opsi lalu baca ulang. Jika pembuatan Word gagal, tinjauan tetap tersedia untuk dikoreksi atau diunduh sebagai TXT. Mesin lokal atau model yang tidak tersedia mungkin memerlukan unduhan sumber daya situs yang berhasil sebelum mencoba kembali.
| Gejala | Yang perlu diperiksa | Langkah berikutnya |
|---|---|---|
| Tidak ada teks dari pindaian | Mode teks yang ada tidak membaca piksel gambar | Pilih Otomatis atau OCR setiap halaman |
| Hanya judul yang diekstrak | Halaman campuran berisi sebagian teks yang dapat dipilih | Paksa OCR dan bandingkan seluruh halaman |
| Kata salah atau hilang | Bahasa, kualitas pindai, atau batas pengenalan | Pilih model yang sesuai dan koreksi dengan sumber |
| Batas halaman atau render | Ukuran sumber, jumlah pilihan, atau dimensi raster | Siapkan sumber atau rentang yang lebih kecil |
| Tata letak DOCX berbeda | Rekonstruksi, penggantian font, atau aliran Word | Tinjau blok dan periksa dokumen ekspor |
API PDF.js: memuat dokumen, membaca teks, dan merender halamanDokumentasi Tesseract: meningkatkan kualitas pengenalan
Gunakan kata sandi yang diketahui dan simpan perubahan
Untuk PDF terlindungi, masukkan kata sandi yang benar ke kolom lokal dan mulai membaca. Ini bukan pemulihan kata sandi. Kolom dikosongkan setelah setiap percobaan, termasuk kegagalan atau pembatalan; Anda mungkin perlu mengisinya lagi. Pembatalan tetap mempertahankan PDF yang dipilih.
“Batalkan” menghentikan pembacaan atau ekspor yang sedang berjalan. “Hapus file” menghapus sumber, kata sandi, rentang halaman, dan tinjauan; opsi pembacaan dan Word lainnya dapat tetap tersimpan. Periksa sebelum memakai dokumen berbeda. Unduh perubahan yang diperlukan sebelum menghapus, membaca ulang, atau meninggalkan halaman. Tinjauan yang terlihat belum merupakan dokumen yang tersimpan.
API PDF.js: memuat dokumen, membaca teks, dan merender halaman
Unduh TXT atau kirim teks ke penghitung kata
“Unduh teks yang ditinjau” menggunakan bentuk keluaran yang dipilih pada “Konten Word”. Untuk struktur, isinya berasal dari teks blok tinjauan, termasuk teks tabel dan penanda daftar yang berlaku; piksel gambar tidak menghasilkan teks. TXT memuat semua halaman tinjauan sesuai urutan pilihan, dipisahkan oleh dua pemisah baris.
“Hitung teks yang ditinjau →” mengirim teks yang sama ke penghitung kata di tab saat ini. Batasnya 1000000 unit sudah mencakup pemisah antarahalaman tambahan. Karena itu, tinjauan yang tepat mencapai batasnya sendiri dapat terlalu besar untuk dikirim. Unduh bagian yang lebih kecil jika perlu. Pengiriman bersifat sementara dan tidak disimpan dalam URL atau penyimpanan browser. “Hapus” di penghitung kata menghilangkan teks kiriman serta riwayat urungkan.
API PDF.js: memuat dokumen, membaca teks, dan merender halaman
Bedakan pemrosesan lokal dari unduhan situs
PDF, kata sandi, tinjauan teks, dan pembuatan Word diproses di perangkat Anda. Alur ini tidak mengunggah byte dokumen untuk konversi. Membuka situs tetap meminta halaman dan skrip; sumber daya pendukung PDF atau model OCR pilihan dapat diunduh saat diperlukan. Analitik situs juga dapat mengirim permintaan. Pemrosesan lokal tidak menjamin pemakaian pertama sepenuhnya tanpa internet atau tidak adanya aktivitas jaringan.
Membaca teks yang sudah ada tidak memerlukan model OCR. Jika pengenalan diperlukan, model bahasa pilihan dimuat bersama mesin OCR, bukan semua model secara otomatis. Unduhan sumber daya yang gagal dapat menghalangi pengenalan meskipun dokumen diproses secara lokal. Unduh file selesai agar tetap tersimpan terlepas dari tab.
Tesseract.js: pengenalan gambar dan batas dukungan PDFAPI PDF.js: memuat dokumen, membaca teks, dan merender halaman
Periksa hasil sebelum membagikannya
Untuk faktur, bandingkan nama pelanggan, pengenal faktur, rincian baris, jumlah, pemisah desimal, dan total dengan PDF. Untuk laporan, periksa juga tingkat judul, kelanjutan daftar, urutan kolom, kepala tabel, dan keterangan gambar. Keyakinan OCR adalah perkiraan mesin, bukan akurasi yang diukur pada dokumen Anda.
Buka DOCX yang diunduh di editor tujuan dan periksa halaman dengan pembesaran yang terbaca. Perbaiki aliran isi di sana atau ubah tinjauan sumber lalu ekspor kembali. Simpan PDF bersama versi yang dapat diedit jika susunan aslinya penting. Untuk salinan visual tetap, PDF asli dapat lebih berguna daripada mencoba meniru setiap detail di Word.
Dukungan Microsoft: membuka PDF di Word dan batas konversiDokumentasi Tesseract: meningkatkan kualitas pengenalan
Pertanyaan umum
Bagaimana mengubah PDF menjadi Word yang dapat diedit?
Pilih PDF, metode baca, dan rentang, lalu “Baca teks PDF”. Bandingkan dan edit tinjauan, pilih pengaturan keluaran Word, buat dokumen, lalu unduh DOCX.
Bisakah halaman PDF hasil pindai dibaca?
Bisa, untuk bahasa cetak yang didukung dan dalam batas OCR. Otomatis hanya memakai OCR jika ekstraksi tidak menghasilkan teks yang tidak kosong. Pilih OCR setiap halaman untuk halaman campuran atau lapisan teks yang tidak berguna.
Mengapa Otomatis melewatkan teks pada gambar?
Mode ini memeriksa apakah ekstraksi teks yang ada tidak kosong, bukan apakah seluruh halaman tercakup. Judul yang dapat dipilih bisa mencegah OCR pada bagian lain. OCR paksa dapat mengenali kata dalam gambar; tetap periksa hasilnya.
Apakah bahasa antarmuka menentukan bahasa OCR?
Tidak. Model awalnya bahasa Inggris. Pilih bahasa cetak secara khusus. Tersedia sepuluh model; bahasa Indonesia dan Urdu di sini hanya bahasa antarmuka tanpa model OCR yang sesuai.
Apakah OCR menerjemahkan atau membaca tulisan tangan?
OCR mengenali teks cetak yang didukung tanpa menerjemahkannya. Tulisan tangan dan bahasa di luar daftar model tidak didukung.
Apakah Word akan sama persis dengan PDF?
Tidak. Teks polos menghasilkan paragraf yang dapat diedit. Keluaran struktur menyusun kembali blok dan gambar yang didukung; penggantian font, pengelompokan yang tidak pasti, dan aliran Word dapat mengubah hasil. Periksa file unduhannya.
Bisakah tabel, judul, dan kolom diedit?
Aktifkan rekonstruksi sebelum membaca lalu periksa blok terdeteksi. Tinjau tingkat judul, penomoran, sel, kepala gabungan, urutan kolom, dan gambar. Bahkan dengan tag PDF, deteksi tetap berupa pendekatan.
Apakah mengedit teks juga mengubah versi struktur?
Tidak. Kedua representasi menyimpan perubahan secara terpisah. “Konten Word” menentukan versi untuk DOCX, TXT, dan teks yang dikirim ke penghitung kata.
Berapa halaman yang dapat dikonversi sekaligus?
Sumber boleh berisi paling banyak 300 halaman. Satu proses memilih paling banyak 50 entri, dan paling banyak 10 di antaranya boleh membutuhkan OCR. Pengulangan dihitung lagi. Batas file, teks, render, dan waktu juga berlaku.
Apakah rentang pendek melewati batas file sumber besar?
Rentang pendek mengurangi pekerjaan yang dipilih, tetapi sumber tetap harus memenuhi batas 50000000 byte dan 300 halaman. Pecah sumber yang terlalu besar menjadi PDF sesuai batas sebelum memilih.
Bisakah PDF dengan kata sandi dikonversi?
Masukkan kata sandi benar yang diketahui secara lokal sebelum membaca. Kolom dikosongkan setelah setiap percobaan. Alat tidak memulihkan atau melewati kata sandi yang tidak diketahui.
Mengapa penghitung kata nonaktif saat tinjauan penuh?
Batasnya mencakup dua pemisah baris antarahalaman. Pemisah tersebut dapat membuat teks yang semula memenuhi batas melampaui 1000000 unit UTF-16. Unduh bagian lebih kecil lalu hitung secara terpisah.
Apakah PDF atau kata sandi diunggah untuk konversi?
Alur ini memprosesnya secara lokal di perangkat Anda. Situs masih dapat meminta skrip, sumber daya PDF, model OCR pilihan, dan layanan analitik. Konversi lokal tidak berarti tidak ada permintaan jaringan.
Apa yang harus disimpan sebelum membatalkan atau menghapus?
Unduh teks tinjauan atau DOCX yang selesai jika perubahan perlu disimpan. Pembatalan mempertahankan PDF pilihan; “Hapus file” menghapus sumber dan tinjauan. Membaca ulang mereset tinjauan sebelumnya.