Panduan Word ke PDF: ekstrak teks DOCX dan periksa hasilnya
Admin ·
Alat Word ke PDF ToolMellow membaca teks dari berkas DOCX di browser, memungkinkan Anda meninjau atau mengeditnya, lalu membuat PDF pada halaman A4. Pilih berkas, klik Baca dokumen, periksa Teks dokumen, kemudian buat dan unduh PDF. Anda juga dapat menempelkan teks sendiri tanpa memilih berkas.
Alur ini berguna untuk membuat salinan visual sederhana dari teks dokumen. Tata letak, gambar, dan gaya Word dihilangkan, sementara PDF berisi gambar teks yang telah dirender. Jika memerlukan teks yang dapat dicari, struktur untuk pembaca layar, atau format yang setia pada dokumen asli, gunakan ekspor PDF dari pengolah kata yang sesuai dan periksa hasilnya.
Pilih konversi yang sesuai dengan dokumen
Mengonversi Word ke PDF dapat berarti mempertahankan desain halaman, menyimpan teks yang bisa diedit sebagai bahan visual, atau menghasilkan dokumen aksesibel. Alat ini mengubah teks menjadi gambar halaman. Tentukan sifat dokumen yang penting sebelum menghilangkan isi yang dibutuhkan pembaca.
Surat dengan paragraf biasa lebih mudah diperiksa setelah ekstraksi dibanding faktur yang maknanya bergantung pada kolom, laporan dengan catatan kaki, atau formulir berisi bidang dan tanda tangan. Simpan DOCX asli untuk membandingkan hasil dan memilih cara ekspor lain bila diperlukan.
| Kebutuhan | Yang disediakan alat | Keputusan |
|---|---|---|
| Salinan visual sederhana dari teks yang sudah diperiksa | Teks hasil ekstraksi yang dapat diedit, lalu halaman A4 berupa gambar | Gunakan alat dan periksa PDF yang diunduh. |
| Tabel, gambar, dan desain halaman asli | Ekstraksi teks tanpa fitur tata letak tersebut | Ekspor dari pengolah kata dan bandingkan halamannya. |
| Pencarian, pemilihan teks, atau struktur untuk teknologi bantu | Tanpa lapisan teks PDF atau tag struktural | Gunakan ekspor yang mendukung sifat tersebut dan periksa hasilnya. |
| Gambar halaman hasil pemindaian di dalam DOCX | Tanpa OCR atau ekstraksi gambar | Gunakan alur OCR yang sesuai sebelum memeriksa teks. |
Microsoft: menyimpan atau mengonversi dokumen Office ke PDFLibreOffice: ekspor PDF dan opsi struktur dokumenW3C: teks aktual, OCR, dan aksesibilitas PDF yang hanya berisi gambar
Baca, edit, buat, lalu unduh dan periksa
Pilih satu berkas DOCX dan klik Baca dokumen. Memilih berkas saja tidak mengekstraknya. Tinjau Teks dokumen yang dihasilkan, terutama urutan sel tabel, catatan yang hilang, dan teks yang maknanya bergantung pada format. Pengeditan mengganti teks untuk PDF berikutnya; DOCX asli tidak diubah.
Klik Buat PDF setelah teks siap. Unduh PDF muncul setelah pembuatan berhasil. Area kerja tidak menyediakan pratinjau PDF yang dibuat: unduh berkas dan buka di penampil PDF untuk memeriksa setiap halaman. Perubahan teks membatalkan keluaran unduhan sebelumnya dan membersihkan pesan kesalahan lama, jadi buat PDF baru setelah mengedit.
- Memilih berkas lain membersihkan teks saat ini, keluaran yang dibuat, dan pesan kesalahan; simpan draf yang dibutuhkan sebelum berganti.
- Baca dokumen membaca ulang berkas yang dipilih dan dapat mengganti hasil edit. Buat PDF memakai teks editor saat ini.
- Kontrol dinonaktifkan saat proses berjalan, dengan Batalkan tersedia untuk pekerjaan saat ini. Editor kosong atau hanya berisi spasi tidak dapat memulai pembuatan PDF.
Pahami isi DOCX yang diambil sebagai teks
DOCX adalah paket yang berisi bagian XML dan sumber daya lain. Pembaca ini mengekstrak paragraf yang didukung dari word/document.xml, termasuk paragraf di dalam sel tabel, menurut urutannya dalam dokumen XML. Namespace WordprocessingML Transitional dan Strict yang didukung dapat dibaca, tetapi dokumen tidak dibangun ulang mengikuti tata letak Word.
Teks dari rangkaian yang didukung dikumpulkan; tab menjadi karakter tab, sedangkan elemen pemutus baris, carriage return, dan pemutus halaman yang didukung menjadi line feed. Paragraf digabung dengan line feed dan spasi di tepi luar teks akhir dihapus. Tabel berubah menjadi urutan paragraf sel, bukan kisi dengan hubungan baris dan kolom.
Microsoft: struktur dokumen WordprocessingMLEcma: representasi dan pengemasan Office Open XMLMDN: mengurai XML dan mendeteksi kesalahan parser
Periksa catatan, daftar, tautan, dan perubahan terlacak
Header, footer, komentar, catatan kaki, dan catatan akhir yang disimpan pada bagian terpisah tidak dibaca. Gambar, objek gambar, dan kotak teks dilewati, begitu juga penghapusan yang dilacak. Teks sisipan yang didukung dapat tetap ada. Hasilnya bukan pemeriksaan lengkap atas revisi dan tidak menggantikan penerimaan atau penolakan perubahan di aplikasi asal.
Teks hiperlink yang terlihat dalam rangkaian yang didukung dapat bertahan setelah ekstraksi, tetapi tujuan tautan dan hubungan yang dapat diklik tidak dipertahankan. Nomor dan bullet daftar otomatis tidak dibangun ulang dari definisi penomoran. Nomor atau bullet yang sudah disimpan sebagai teks literal dapat tetap ada. Periksa rujukan seperti “lihat catatan 3” dan petunjuk dalam daftar sebelum membagikan hasil.
Microsoft: struktur dokumen WordprocessingMLMicrosoft: teks hiperlink dan tujuan relasi
Periksa semua batas masukan dan keluaran
DOCX terkompresi yang kecil dapat berisi XML besar atau banyak entri paket. Karena itu, ukuran berkas hanyalah satu dari beberapa batas terpisah. Pembaca membutuhkan berkas tidak kosong dengan nama berakhiran .docx tanpa membedakan huruf besar dan kecil, serta bagian dokumen yang didukung dan dapat dibaca. Nama berkas .doc lama dan .docm yang mendukung makro tidak didukung; mengganti nama tidak mengonversi isinya.
Pembaca memeriksa signature paket, ukuran XML yang dipilih, struktur dokumen, dan kesalahan parser, serta menolak deklarasi DTD atau entitas. Bagian makro tidak dijalankan, dan alat tidak menyatakan bahwa setiap bagian paket aman atau memenuhi semua aturan Office Open XML. Dokumen terenkripsi atau rusak tidak dapat dipulihkan oleh alat ini.
| Bagian yang dibatasi | Batas | Yang perlu diperhatikan |
|---|---|---|
| Berkas yang dipilih | 10000000 byte, atau 10 MB | Ukuran berkas terkompresi; XML juga memiliki batas sendiri. |
| XML dokumen | 10000000 byte | Ukuran tanpa kompresi yang dinyatakan dan byte yang benar-benar diekstrak sama-sama diperiksa. |
| Entri ZIP | 2500 | Entri yang dipindai tetap dihitung meskipun isinya tidak diekstrak. |
| Paragraf yang diekstrak | 10000 | Batas anggaran teks dapat tercapai lebih dahulu. |
| Anggaran teks ekstraksi | 100000 unit kode UTF-16 | Setiap paragraf yang didukung dihitung sepanjang teksnya ditambah satu unit sebelum pemangkasan akhir. |
| Editor dan masukan PDF | 100000 unit kode UTF-16 | Ini adalah batas panjang string, bukan jumlah kata atau karakter yang terlihat. |
| PDF yang dibuat | 50 halaman A4 | Pembungkusan dan pemutus baris menentukan jumlah halaman, bukan jumlah halaman Word asli. |
fflate: penyaringan ZIP dan pemrosesan sinkronMDN: mengurai XML dan mendeteksi kesalahan parserMDN: panjang textarea dalam unit kode UTF-16Ecma: representasi dan pengemasan Office Open XML
Mengapa 100000 karakter masih bisa terlalu banyak
Batas menggunakan unit kode UTF-16. Banyak karakter umum memakai satu unit; karakter suplementer seperti 😀 memakai dua. Satu karakter yang terlihat juga dapat tersusun dari beberapa titik kode. Karena itu, jumlah kata dan simbol yang terlihat tidak dapat memastikan apakah dokumen muat.
Selama ekstraksi, setiap paragraf yang diterima menambahkan panjang teksnya ditambah satu unit ke anggaran, sebelum penggabungan dan pemangkasan bagian luar. Satu paragraf berisi 99999 huruf ASCII masih muat; paragraf dengan 100000 tidak, karena unit tambahan paragraf akan melampaui batas. Paragraf kosong dan spasi luar juga dihitung sebelum pemangkasan. Batas editor yang terpisah sebesar 100000 unit tidak menghapus aturan ekstraksi ini.
MDN: panjang textarea dalam unit kode UTF-16MDN: segmentasi teks pada batas grafem
Bagaimana teks menjadi halaman A4 baru
Renderer menggambar teks gelap di atas kanvas putih berukuran 1240 kali 1754 piksel, dengan fon sans serif browser berukuran 24 piksel, margin dan jarak baris tetap. Setiap gambar kanvas mengisi satu halaman PDF A4 berukuran sekitar 595,28 kali 841,89 poin. Tidak tersedia kontrol ukuran kertas, fon, margin, atau pemutus halaman Word asli.
Carriage return dinormalisasi menjadi line feed, tab diperluas menjadi empat spasi, dan teks yang diukur dibungkus sesuai lebar yang tersedia. Segmen dinormalisasi ke NFC dan dipisah pada batas grafem bila perlu. Langkah ini menghasilkan gambar halaman yang terbaca; spasi persis, representasi Unicode, dan tata letak halaman asli tidak dipertahankan. Teks panjang atau banyak baris kosong dapat mencapai batas 50 halaman meskipun panjang masukan masih memenuhi batas.
MDN: menggambar teks pada kanvasMDN: mengekspor kanvas sebagai Blob gambarpdf-lib: menyematkan gambar PNG dalam PDFMDN: normalisasi Unicode dan NFCMDN: segmentasi teks pada batas grafem
Pahami konsekuensi PDF yang hanya berisi gambar
Keluaran berisi gambar halaman, bukan objek teks PDF. Karena itu, alat tidak menyediakan lapisan teks yang dapat dipilih atau dicari, hiperlink yang dapat diklik, struktur judul, struktur tabel, atau tag pembaca layar. Dokumen dapat tampak terbaca di layar tetapi tidak memiliki teks dan struktur yang dibutuhkan pembaca atau sistem lain.
Sebagian penampil atau alat OCR terpisah dapat mengenali teks dari gambar, tetapi itu adalah pemrosesan tambahan di luar konverter ini. OCR saja tidak menjamin tag yang benar, urutan baca, atau dokumen aksesibel. Jika aksesibilitas, pencarian, atau penggunaan ulang teks yang andal penting, mulai dengan ekspor yang sesuai dari aplikasi sumber dan periksa PDF hasilnya.
W3C: teks aktual, OCR, dan aksesibilitas PDF yang hanya berisi gambarpdf-lib: menyematkan gambar PNG dalam PDFMicrosoft: menyimpan atau mengonversi dokumen Office ke PDFLibreOffice: ekspor PDF dan opsi struktur dokumen
Periksa fon dan arah tulisan yang bercampur
Browser menangani pembentukan teks dan fon pengganti; fon dokumen asli tidak direproduksi. Periksa huruf beraksen, aksara bersambung, emoji, simbol matematika, dan karakter yang jarang digunakan pada halaman unduhan. Contoh yang berhasil di satu browser tidak menjamin setiap fon atau aksara pada perangkat lain.
Arah paragraf memakai heuristik terbatas berdasarkan huruf pertama dan rentang Unicode Ibrani/Arab. Ini bukan model lengkap pemformatan paragraf Word. Campuran teks Arab atau Urdu dengan nama produk Latin, angka, URL, dan tanda baca perlu diperiksa secara visual, begitu juga tabel yang maknanya bergantung pada perataan.
MDN: menggambar teks pada kanvasMDN: segmentasi teks pada batas grafemMDN: normalisasi Unicode dan NFC
Ketahui arti pemrosesan lokal
Pembacaan DOCX, pengeditan teks, dan pembuatan PDF berlangsung di tab browser. Konversi tidak memiliki langkah unggah dokumen, dan situs tidak menyimpan dokumen atau edit sebagai draf. Membuka situs tetap memuat halaman dan aset, dan analitik situs biasa dapat berjalan. Pemrosesan dokumen lokal tidak menjanjikan bahwa browser tanpa permintaan jaringan atau kunjungan pertama bekerja secara offline.
Berkas yang dipilih bernama report.docx meminta unduhan bernama report.pdf; teks manual tanpa berkas meminta document.pdf. Browser menentukan lokasi penyimpanan dan dapat mengganti nama duplikat. Mengedit, membatalkan, atau menutup tab tidak menghapus dokumen asli maupun PDF yang sudah diunduh.
Pulihkan kesalahan tanpa kehilangan teks yang diperlukan
Pesan rusak, terenkripsi, atau terlalu besar mencakup beberapa kegagalan pembacaan; pesan itu tidak menunjukkan satu penyebab tertentu. Buka sumber di pengolah kata tepercaya, pastikan DOCX dapat digunakan, lalu kecilkan atau sederhanakan salinannya jika melewati batas. Jika hasil ekstraksi kosong, periksa apakah dokumen hanya berisi gambar, kotak teks, atau bagian yang tidak didukung.
Jika pembuatan PDF gagal, periksa panjang teks dan perkiraan jumlah halaman, lalu coba draf yang lebih kecil. Simpan edit secara terpisah sebelum memuat ulang karena area kerja tidak menyimpannya otomatis. Batalkan membatalkan hasil yang masih menunggu dan mengaktifkan kontrol kembali, tetapi pemrosesan ZIP/XML sinkron belum tentu dapat segera dihentikan saat memakai thread utama browser.
| Gejala | Yang perlu diperiksa | Tindakan berikutnya |
|---|---|---|
| Baca dokumen gagal | Ekstensi, batas paket/XML, enkripsi, atau struktur rusak | Periksa salinan di aplikasi asal; mengganti nama bukan konversi. |
| Tidak ada teks yang ditemukan | Isi mungkin berupa gambar, kotak teks, atau bagian terpisah | Gunakan ekspor atau alur OCR yang sesuai dan periksa teks. |
| Buat PDF dinonaktifkan | Tidak ada teks selain spasi, atau pekerjaan sedang berjalan | Baca dokumen atau masukkan teks, lalu tunggu atau batalkan pekerjaan saat ini. |
| Pembuatan gagal meskipun berkas pendek | Jumlah halaman hasil render atau sumber daya browser | Kurangi teks dan baris kosong berlebihan; simpan edit sebelum memuat ulang. |
| Isi unduhan hilang atau berubah urutan | Isi yang tidak didukung dan hubungan tata letak yang hilang | Bandingkan dengan sumber dan gunakan ekspor pengolah kata bila perlu. |
fflate: penyaringan ZIP dan pemrosesan sinkronMDN: mengurai XML dan mendeteksi kesalahan parser
Periksa PDF unduhan sebelum dibagikan
Tinjau halaman pertama dan terakhir, lalu setiap halaman di antaranya. Cari kalimat yang hilang, label dan nilai tabel yang terpisah, karakter terpotong atau terganti, ruang kosong tak terduga, dan perubahan arah tulisan. Bandingkan total penting, nama, dan petunjuk dengan dokumen asli; unduhan yang berhasil bukan bukti kesetiaan hasil.
Gunakan hasil konversi teks hanya jika memenuhi kebutuhan pembaca. Jika tata letak atau struktur dokumen asli penting, Microsoft Word dan LibreOffice menyediakan opsi ekspor PDF sendiri. Opsi tersebut tetap membutuhkan pengaturan yang disengaja dan pemeriksaan hasil; berpindah aplikasi saja tidak memastikan aksesibilitas atau tampilan yang persis sama.
- Pastikan seluruh teks utama yang diperlukan bertahan setelah ekstraksi, khususnya daftar, catatan, dan hubungan dalam tabel.
- Periksa PDF tersimpan di penampil yang akan digunakan pembaca, termasuk teks multibahasa dan akhir halaman.
- Pilih ekspor dengan lapisan teks nyata dan struktur yang sesuai saat membutuhkan pencarian, penyalinan, atau teknologi bantu.
Microsoft: menyimpan atau mengonversi dokumen Office ke PDFLibreOffice: ekspor PDF dan opsi struktur dokumenW3C: teks aktual, OCR, dan aksesibilitas PDF yang hanya berisi gambar
Pertanyaan umum
Bagaimana cara mengonversi teks DOCX ke PDF di browser?
Pilih DOCX, klik Baca dokumen, tinjau atau edit teks hasil ekstraksi, lalu klik Buat PDF dan Unduh PDF. Buka berkas tersimpan untuk memeriksa halamannya; area kerja tidak memiliki pratinjau PDF yang dibuat.
Bisakah saya membuat PDF tanpa memilih berkas?
Bisa. Masukkan teks yang tidak hanya berisi spasi di Teks dokumen, lalu klik Buat PDF. Tanpa nama berkas yang dipilih, unduhan meminta nama document.pdf. Batas panjang teks dan keluaran 50 halaman yang sama tetap berlaku.
Apakah format dan gambar Word dipertahankan?
Tidak. Teks yang didukung diekstrak dan ditata ulang memakai fon browser. Gambar, gaya asli, kisi tabel, dan pembagian halaman Word dihilangkan. Gunakan ekspor pengolah kata bila sifat tersebut penting.
Mengapa teks PDF tidak dapat dipilih atau dicari?
Alat memasukkan gambar halaman yang dirender ke PDF tanpa lapisan teks. OCR penampil, jika tersedia, adalah proses terpisah. Keluaran juga tidak memiliki tag struktural untuk pembaca layar.
Apakah hiperlink dipertahankan?
Teks tautan yang terlihat dalam rangkaian dokumen yang didukung dapat diekstrak. Tujuan dan tautan yang dapat diklik tidak dipertahankan, dan PDF berisi gambar, bukan objek tautan interaktif.
Bisakah alat membaca DOC, DOCM, atau dokumen berpassword?
Tidak. Masukan yang didukung adalah DOCX yang dapat dibaca dan tidak kosong dengan nama berakhiran .docx, tanpa membedakan huruf besar dan kecil. Mengganti ekstensi tidak mengonversi paket. Pembaca tidak menjalankan makro atau memberikan sertifikasi keamanan isi makro.
Mengapa DOCX di bawah 10 MB ditolak?
Batas terpisah mencakup ukuran XML dokumen, jumlah entri ZIP, paragraf hasil ekstraksi, dan anggaran teks UTF-16. Struktur dokumen yang tidak didukung atau rusak serta enkripsi juga dapat menyebabkan kegagalan baca. Pesan umum tidak mengidentifikasi kondisi yang terjadi.
Apakah batas berarti 100000 karakter yang terlihat?
Tidak. Yang dihitung adalah unit kode UTF-16, dan ekstraksi menambah satu unit per paragraf yang diterima sebelum pemangkasan tepi luar. Sebagian karakter yang terlihat memakai beberapa unit, dan satu paragraf dengan 100000 unit sudah melampaui anggaran ekstraksi.
Apakah daftar, catatan kaki, dan perubahan terlacak dipertahankan?
Bagian catatan terpisah dan penghapusan terlacak dihilangkan. Teks sisipan yang didukung dapat tetap ada. Label daftar otomatis tidak dibuat dari aturan penomoran, meskipun label yang disimpan sebagai teks literal dapat bertahan. Periksa makna hasil ekstraksi dengan teliti.
Apakah dokumen diunggah selama konversi?
Kode pembacaan dokumen dan pembuatan PDF berjalan di tab browser tanpa tindakan unggah dokumen. Situs tetap membuat permintaan halaman, aset, dan analitik biasa; ini bukan jaminan tanpa jaringan atau offline sejak kunjungan pertama.
Apakah Batalkan langsung menghentikan semua proses?
Batalkan membatalkan hasil saat ini dan mengembalikan antarmuka ke keadaan yang dapat diedit ketika browser dapat menangani tindakan itu. Pekerjaan ZIP/XML sinkron dapat memakai thread utama, sehingga penghentian langsung tidak dijamin.
Kapan saya perlu mengekspor dari Word atau LibreOffice?
Gunakan aplikasi pembuat dokumen jika memerlukan tata letak sumber, gambar, teks yang dapat dicari, atau struktur aksesibilitas yang sesuai. Pilih opsi PDF yang relevan, lalu periksa tampilan, teks, dan urutan baca keluaran sebenarnya.
Sumber dan bacaan lanjutan
- Microsoft: struktur dokumen WordprocessingML
- Microsoft: teks hiperlink dan tujuan relasi
- Ecma: representasi dan pengemasan Office Open XML
- fflate: penyaringan ZIP dan pemrosesan sinkron
- MDN: mengurai XML dan mendeteksi kesalahan parser
- MDN: panjang textarea dalam unit kode UTF-16
- MDN: mengekspor kanvas sebagai Blob gambar
- MDN: menggambar teks pada kanvas
- MDN: segmentasi teks pada batas grafem
- MDN: normalisasi Unicode dan NFC
- pdf-lib: menyematkan gambar PNG dalam PDF
- Microsoft: menyimpan atau mengonversi dokumen Office ke PDF
- LibreOffice: ekspor PDF dan opsi struktur dokumen
- W3C: teks aktual, OCR, dan aksesibilitas PDF yang hanya berisi gambar