PDF naar Word

Zo gebruik je PDF naar Word

Belangrijkste functies van PDF naar Word

Over PDF naar Word

PDF naar Word leest de tekst van elke pagina met pdf.js, groepeert die op basislijn tot regels en zet de woorden van elke regel van links naar rechts, in welke volgorde de PDF ze ook heeft getekend. Op een pagina met een duidelijke witstrook tussen twee kolommen wordt de linkerkolom eerst gelezen. Een nieuwe alinea begint bij een duidelijk grotere afstand tussen twee regels, bij een ingesprongen regel, of na een regel die vroeg ophield terwijl het volgende woord nog had gepast. Korte regels die elk met een hoofdletter of een cijfer beginnen, zoals een adres, blijven apart.

De herkenning is heuristisch, dus bij een gedicht, een ingewikkelde tabel of een ongebruikelijke lay-out kunnen regels anders worden samengevoegd of gesplitst dan in het origineel.

Wanneer gebruik je PDF naar Word?

Een leverancier stuurt een contract als PDF en wil je wijzigingen terug. Converteer het, open de .docx, zet Track Changes aan en bewerk de bepalingen; de koppen verschijnen in het navigatievenster van Word. Houd de oorspronkelijke PDF ernaast, want de paginaopmaak wordt niet gereproduceerd.

Alleen de PDF van een oud rapport, scriptiehoofdstuk of artikel is nog over en je wilt de alinea's ervan hergebruiken in een nieuw document. Converteer het bestand en kopieer de tekst over, en geef het een nieuwe stijl in de sjabloon van het nieuwe bestand.

Heb je alleen de kale woorden nodig, voor een zoekopdracht, een script of een woordentelling, dan is PDF naar tekst sneller en heeft geen stap met opties. Een tabel met cijfers is beter af met PDF naar Excel, die de waarden in cellen zet; hier wordt elke tabelrij één regel, met tabs bij de brede tussenruimtes tussen cellen.

Een gescande brief of gefotografeerde pagina heeft geen tekstlaag, en de tool stopt met een melding die dat zegt. Voer het bestand eerst door OCR PDF; dat voegt de tekstlaag toe die deze tool leest. OCR-tekst komt er kaler uit: zonder vet of cursief, opsommingstekens gaan vaak verloren, een kop wordt pas herkend vanaf ongeveer anderhalf keer de grootte van de hoofdtekst, en een korte titel boven twee kolommen kan gesplitst uitkomen. In een bestand met zowel getypte als gescande pagina's krijgt elke gescande pagina een regel die meldt dat de pagina geen tekstlaag heeft.

Tips en probleemoplossing

• ‘Converteren naar Word mislukt: No password given’ betekent dat de PDF een wachtwoord nodig heeft om te openen. De tool heeft geen wachtwoordveld; verwijder de beveiliging en converteer de kopie. Beperkingen op afdrukken of kopiëren houden de conversie niet tegen.
• ‘Converteren naar Word mislukt: Invalid PDF structure’ betekent dat het gesleepte bestand geen PDF is. Slepen en neerzetten accepteert elk bestandstype, in tegenstelling tot de bestandskiezer.
• Opsommingstekens worden een Word-lijst met opsommingstekens, genest volgens hun inspringing. Genummerde items houden hun gedrukte nummers, met een hangende inspringing, dus Word nummert ze niet opnieuw. Een regel die met een getal of een streepje begint en geen lijstitem naast zich heeft, blijft een gewone alinea.
• Staat Elke PDF-pagina op een nieuwe Word-pagina beginnen aan, dan blijft een alinea die over een pagina-einde doorloopt in twee delen. Staat de optie uit en worden kop- en voetteksten weggelaten, dan worden de delen samengevoegd als de laatste regel van de pagina de rechtermarge bereikt en de zin doorloopt.
• Terugkerende kop- en voetteksten en paginanummers weglaten verwijdert alleen regels die los van de tekst bij de boven- of onderrand staan: een paginanummer zoals 3 of Pagina 3 van 9, of dezelfde regel, afgezien van de cijfers, op drie of meer pagina's.
• Een woord dat aan het einde van een regel is afgebroken, wordt zonder koppelteken samengevoegd als de volgende regel met een kleine letter begint. Een samenstelling zoals auto-ongeluk die bij haar eigen koppelteken afbreekt, verliest dat teken ook, tenzij hetzelfde woord elders in het bestand met koppelteken staat.
• Kolommen worden alleen herkend als de meeste regels aan elke kant hun kolom vullen; elke andere pagina wordt regel voor regel over de hele breedte gelezen. De resultaatkaart heeft geen knop Voorbeeld bekijken, omdat een .docx hier niet als voorbeeld kan worden getoond.
• Heb je alleen koppen en alinea's nodig voor een notitie-app of een repository, dan levert PDF naar Markdown een .md-bestand uit dezelfde tekstlaag.
• Weet je niet of een PDF een scan is? De gids hoe je een gescande PDF doorzoekbaar maakt begint met een snelle controle en laat daarna zien hoe je de tekstlaag toevoegt die deze converter nodig heeft.

Zo werkt PDF naar Word in je browser

pdf.js, dat draait in een worker die wordt opgehaald van cdnjs.cloudflare.com, geeft de tekst van elke pagina terug als runs met een positie, een grootte en een lettertype. Vet en cursief komen uit de naam van het lettertype, die pdf.js pas meldt nadat het heeft uitgewerkt hoe een pagina wordt getekend; het script vraagt dat op, zonder afbeeldingen, voor elke pagina met een lettertype dat het nog niet heeft gezien. Een tussenruimte breder dan ongeveer een zesde van de lettergrootte wordt een spatie, zodat een woord dat in stukken is getekend één woord blijft. Hebreeuwse en Arabische regels worden van rechts naar links gelezen.

JSZip schrijft vervolgens het pakket: [Content_Types].xml, de relaties, word/document.xml, word/styles.xml met de stijlen Normal, Heading 1 tot 3 en List Paragraph, en word/numbering.xml voor de opsommingstekens. Tekens die XML niet toestaat, zoals besturingscodes, worden eerst verwijderd, want één zo'n teken is genoeg om Word het bestand te laten weigeren. De PDF en de tekst blijven in het geheugen van het tabblad; geen enkele server ziet ze.

Veelgestelde vragen