PDF в Word

Страница PDF не имеет понятия «абзацев» или «заголовков» в том смысле, в каком его имеет документ Word, — внутри это набор позиционированных фрагментов текста, каждый из которых, по сути, говорит: «нарисуй эти символы в такой-то точке с координатами x, y, таким-то шрифтом». Здесь нет ни структуры документа, ни даже надёжного понятия о том, где заканчивается одна строка и начинается следующая; программа просмотра PDF восстанавливает визуальный вид страницы, отрисовывая каждый фрагмент текста в указанной позиции, а человек, читающий результат, воспринимает строки и абзацы только потому, что позиции случайно выстраиваются именно так. Конвертация PDF в редактируемый документ означает движение в обратную сторону от этого: группировку фрагментов текста со схожим вертикальным положением в строки, а затем поиск мест, где вертикальный промежуток между одной строкой и следующей необычно велик, — это признак того, что абзац только что закончился, — и трактовку этого как разрыва абзаца. Это, по сути, реконструкция на основе данных о позиции, а не чтение какой-то скрытой структуры документа, и именно поэтому исходное форматирование невозможно восстановить: в файле изначально не было структурированной информации о форматировании для восстановления — только сведения о том, где были расположены чернила.

Легко предположить, что «прочитать PDF» и «прочитать отсканированную страницу» — одна и та же задача, решаемая одним и тем же инструментом, но на самом деле это принципиально разные проблемы. Извлечение текста, которым занимается этот инструмент, читает текст, который PDF уже хранит как текст, — коды символов и их позиции, те же данные, которые программа просмотра PDF использует, чтобы позволить вам выделить и скопировать предложение. OCR (оптическое распознавание символов) решает гораздо более сложную задачу: смотрит на страницу, которая является всего лишь картинкой, без каких-либо текстовых данных где-либо в файле, и с помощью распознавания изображений пытается угадать, какие буквы и слова эта картинка изображает. Это принципиально более тяжёлая задача — она включает обработку изображений, модели распознавания символов и неотъемлемую неопределённость в том, что вообще считать «правильным» ответом, и ничего из этого не применимо, когда текст уже присутствует как текст. Встраивание полноценного движка OCR в инструмент, вся привлекательность которого заключается в мгновенной работе прямо в браузере, означало бы пожертвовать скоростью и простотой, которые делают этот инструмент полезным, ради меньшинства PDF, оказавшихся сканами. Отсканированный, состоящий только из изображения PDF — реальный и распространённый случай, и этот инструмент честно сообщает об этом в результатах, а не молча выдаёт пустой документ, — но по-настоящему решить эту задачу означает обратиться к специализированному инструменту OCR, а не растягивать возможности этого инструмента за пределы того, что он честно умеет.

Более амбициозный конвертер мог бы попытаться воссоздать разметку исходной страницы — размещая текст в блоках примерно в нужных координатах, угадывая колонки, пытаясь воспроизвести шрифты. На практике это создаёт документ, который внешне похож на оригинал, но его практически невозможно по-настоящему редактировать: текст оказывается в разрозненных плавающих блоках вместо связного потока абзацев, скверно перестраивается при любом добавлении или удалении содержимого и сопротивляется пользователю на каждой правке. Перенос извлечённого текста в обычные абзацы вместо этого — подход, который использует этот инструмент, — намеренно жертвует визуальным сходством ради документа, который ведёт себя так, как и должен вести себя документ Word: наберите текст в конце абзаца, и он нормально перенесётся на новую строку, удалите предложение — и остальная часть страницы перестроится так, как текстовые редакторы работают всегда. Для распространённой цели — получить слова из PDF в редактируемом документе, чтобы процитировать, отредактировать, использовать повторно или перевести, — этот компромисс правильный, и именно поэтому этот инструмент не пытается быть инструментом сохранения разметки, притворяющимся текстовым редактором.