PDF を Word に変換し、結果を開きます。テキストはあるのですが、レイアウトが最悪です。 2 列のレポートが 1 つのスクランブル列に結合されました。 PDF ではきちんと整理されていた表が、ページ全体に散らばる浮遊テキストの断片の山となります。ブレットポイントは弾丸を失いました。太字の見出しはプレーンテキストです。変換は技術的には機能し、単語は正しいですが、文書を非常にクリーンアップする必要があるため、最初から入力し直すほうがよいでしょう。
PDF から Word への変換後の書式の崩れは、変換されたドキュメントを放棄して最初からやり直す最も一般的な理由です。しかし、多くの場合、問題は変換ツールではありません。これは、PDF に含まれる内容と変換エンジンが検出すると期待する内容との間に不一致があります。書式設定の破損の具体的な理由を理解すると、PDF 作成段階で破損を防止したり、変換された Word 文書に的を絞った修正を適用したりすることができます。
Word への変換中に PDF テーブルが壊れる理由
PDF はテーブルをテーブルとして保存しません。ページ上の特定の X、Y 座標に文字を保存します。人間の読者には整理されているように見える表は、PDF では数千の独立した文字の位置にすぎません。 PDF から Word への変換エンジンは、文字の空間配置を分析してテーブル構造をリバース エンジニアリングする必要があります。同様の垂直位置にある文字を見つけて行を検索します。同様の水平位置にある文字を見つけて列を検索します。文字位置のギャップに基づいてセルの境界がどこにあるかを推測します。
このリバース エンジニアリング プロセスは予想通り失敗します。表にセルが結合されている場合、セルが結合された場所には列の境界を示す空間パターンが存在しないため、この処理は失敗します。セルに複数行のテキストが含まれている場合、セル内の垂直方向の構成が検出アルゴリズムにとって行の境界のように見えるため、この処理は失敗します。テーブルに目に見えるグリッド線がない場合、アルゴリズムは列境界を検出するために一貫した列ギャップに依存しており、グリッド線によって境界がどこにあるかを視覚的に確認できるため、この処理は失敗します。テーブルがデジタル的に作成されたものではなくスキャンされた場合、スキャンされたテーブルは文字位置データをまったく持たない画像であるため、失敗します。
変換された Word 文書内の壊れた表を修正する方法
表が分散テキストとして Word に到着した場合、最も早い修復方法は、テキストを表に変換機能を使用して、表を適切な Word 表に変換することです。表に含めるすべてのテキストを選択します。 「挿入」、「表」、「テキストを表に変換」に移動します。 Word では、列数とセルを区切る区切り文字の入力を求められます。変換エンジンがセルを区切るためにタブを使用した場合は、「タブ」を選択します。カンマを使用した場合は、「カンマ」を選択します。 「OK」をクリックすると、Word によってテキストから構造化された表が作成されます。この修正には 30 秒かかり、他の Word 表と同様に編集、並べ替え、スタイル設定できる適切に書式設定された表が作成されます。
テキストが一貫して区切られていない場合 (変換エンジンが一部のセルにタブを配置し、他のセルにスペースを配置した場合に発生します)、手動でクリーンアップする必要があります。列ごとに作業します。最初の列のテキストがどこで終わり、2 番目の列のテキストが始まるかを見つけます。各列の境界にタブ文字を挿入します。次に、タブ区切り文字を使用して「テキストを表に変換」を使用します。この手動アプローチでは時間はかかりますが、自動検出が失敗した場合でもクリーンなテーブルが生成されます。
単一列に結合された複数列レイアウトの修正
複数列の PDF にも同様の空間分析の課題があります。変換エンジンは、列 1 がどこで終わり、列 2 が始まるかを決定する必要があり、列 1 が上から下、次に列 2 が上から下という読み取り順序を維持する必要があります。エンジンの推測が間違っている場合、列がインターリーブされて、列 1 からの行、列 2 からの行、列 1 からの行が交互に意味不明な内容になるか、列が 1 つの幅の広い列にマージされるため、列 1 と列 2 のテキストがごちゃ混ぜになって表示されます。
結合された複数列レイアウトを修正するには、列を手動で分離する必要があります。変換された Word 文書で、列 1 のテキストがどこで終了し、列 2 が始まるかを特定します。これらの境界にセクション区切りまたは列区切りを挿入します。 2 列目のテキストを切り取り、2 列目に貼り付けます。これは長い文書の場合は面倒ですが、正しく構造化された結果が得られます。今後の変換では、複数列レイアウトの検出を明示的にサポートするPDF Converter を使用してください。 WukongPDF は、複数列のレイアウトを検出し、エクスポートされた Word 文書内の正しい読み取り順序を保持して、インターリーブの問題を完全に回避します。
書式設定の復元: 見出し、太字、斜体、およびリスト
テーブルと列の構造を修復した後、視覚的な書式設定を復元します。 Word の Format Painter は、これを行うための最も速いツールです。文書内で正しくフォーマットされた要素、見出し、太字の用語、斜体の引用を 1 つ見つけます。それを選択し、「書式ペインタ」アイコンをダブルクリックして、同じタイプの他の要素に書式設定をペイントします。フォーマット ペインタをダブルクリックするとアクティブな状態が維持されるため、毎回再選択しなくても複数の選択に適用できます。
見出しには、太字やフォント サイズの書式を手動で設定するのではなく、Word の組み込みの見出しスタイルを適用します。テキストを選択し、スタイル ギャラリーで [見出し 1]、[見出し 2]、または [見出し 3] をクリックします。視覚的な書式設定ではなく実際の見出しスタイルを使用すると、Word のナビゲーション ウィンドウ、目次の自動生成、ブックマーク付きの適切な PDF エクスポートが可能になります。この視覚的な書式設定からセマンティック スタイルへのアップグレードにより、変換されたドキュメントが整理された混乱から適切に構造化された作業ファイルに変換されます。
PDF作成段階での書式崩れの防止
壊れたフォーマットに対する最善の修正は、それを防ぐことです。後で Word に変換し直す必要がある PDF を作成する場合は、ソース文書でこれらの方法を使用してください。表のように見えるタブ揃えのテキストではなく、表の挿入機能で作成した実際の表を使用します。太字やフォント サイズを手動で変更するのではなく、実際の見出しスタイルを使用してください。アスタリスクや数字を手動で入力するのではなく、実際の箇条書きリストと番号付きリストを使用してください。レイアウトはシンプルにしてください。ページ上ではきれいに見えても、PDF 内で文字の位置が無秩序になるテキスト ボックス、フローティング画像、および手動で配置された要素は避けてください。
構造タグを有効にして PDF をエクスポートします。 Word の [PDF として保存] ダイアログで、[オプション] をクリックし、[アクセシビリティのための文書構造タグ] にチェックを入れます。構造タグは、どの要素が見出しで、どの要素が表で、どの要素がリストであるかを PDF 変換エンジンに伝えます。この構造情報は、Word から PDF へ、そして Word への往復を経ても残ります。ソースドキュメントの構造がきれいであればあるほど、変換された出力の構造もきれいになります。 WukongPDF の PDF Format 変換ツールは、PDF から Word への変換中に文書構造を保持し、クリーンアップの作業を数時間から数分に削減します。
複雑な PDF を Word に変換する際のクリーンアップ時間を大幅に節約する特定のテクニック: 2 つのパスで作業します。最初のパスでは、構造修復のみに焦点を当てます。 「テキストを表に変換」を使用して表を修正します。結合された列を分離します。読み取り順序を元に戻します。フォント、色、間隔、または視覚的な書式設定には触れないでください。構造的に問題のない書式設定の文書は、Word のスタイル ツールを使用して数分で修正できます。壊れた表や乱雑な列を含む、美しくフォーマットされた文書は、見た目に関係なく、ほとんど使用できません。 2 回目のパスでは、構造が正しくなったら、見出しスタイル、フォントの選択、余白、間隔などの書式設定を適用します。この 2 パスのアプローチにより、適切なタイミングで適切な問題に集中し続けることができ、表のフォント サイズの調整に 20 分を費やし、後で列がマージされているため最初から再構築する必要があることが判明するというよくある罠を防ぎます。