Jak plik PDF przechowuje tekst w postaci pojedynczych znaków, a nie płynnych akapitów
Strona PDF opisuje tekst jako serię instrukcji rozmieszczenia znaków, z których każda określa kod znaku, czcionkę, rozmiar i położenie x, y na stronie. W języku opisu strony PDF nie ma obiektu akapitowego. Brak kontenera przepływu tekstu. Wizualny wygląd płynnego akapitu jest tworzony poprzez umieszczenie każdego znaku we właściwej pozycji, co symuluje ciągły blok tekstu, ale dane bazowe to lista poszczególnych poleceń pozycjonowania znaków.
Zrozumienie, dlaczego tak się dzieje, to połowa rozwiązania.
Kilka kroków przygotowawczych radykalnie skraca czas czyszczenia po konwersji.
Ta reprezentacja na poziomie znaków jest podstawową przyczyną konwersji PDF na PPT, która dzieli tekst wypunktowany na osobne ramki. Po utworzeniu pliku PDF oryginalna aplikacja, czy to PowerPoint, Keynote czy Prezentacje Google, miała pole tekstowe zawierające listę punktowaną. Pole tekstowe było pojedynczym obiektem, w którym znajdowało się wiele wierszy tekstu. Proces tworzenia pliku PDF, czy to poprzez eksport, zapisanie jako czy wydruk do pliku PDF, rozłożył to pojedyncze pole tekstowe na indywidualne instrukcje dotyczące rozmieszczenia znaków. Koncepcja „ten tekst należy do jednego pola tekstowego” została zagubiona w tłumaczeniu.
Silnik konwersji próbujący przekonwertować plik PDF z powrotem do programu PowerPoint napotyka te indywidualne rozmieszczenia znaków i musi zrekonstruować oryginalne grupowanie tekstu na podstawie dowodów na poziomie znaków. Widzi znaki umieszczone blisko siebie wzdłuż linii. Widzi wiele linii z podobnymi lewymi marginesami i stałymi odstępami między wierszami. Wnioskuje, że te znaki i linie prawdopodobnie należą do jednego bloku tekstu. Ale silnik konwersji musi także decydować, gdzie zaczyna się i kończy każdy punktor, a gdy dowody są niejednoznaczne, popełnia błąd po stronie podziału, a nie grupowania.
Dlaczego silniki konwersji dzielą punktory na osobne pola tekstowe
Algorytm grupowania tekstu silnika konwersji wykorzystuje kilka sygnałów w celu podjęcia decyzji, które znaki należą do tego samego bloku tekstu. Spójność czcionki jest najsilniejszym sygnałem: znaki używające tego samego kroju i rozmiaru czcionki są prawdopodobnie częścią tego samego bloku tekstu. Wyrównanie w poziomie to kolejny mocny sygnał: znaki o tej samej pozycji lewego marginesu w wielu wierszach sugerują pojedynczy blok tekstu ze spójnym wcięciem. Spójność odstępów między wierszami wzmacnia grupowanie: linie o jednakowych odstępach pionowych częściej pasują do siebie niż linie o nieregularnych odstępach.
Punktory osłabiają jednocześnie kilka z tych sygnałów grupujących. Znak punktora, zwykle renderowany za pomocą symbolu lub czcionki dingbat, używa innej czcionki niż następujący po nim tekst. Ta zmiana czcionki na początku każdego wiersza punktora sygnalizuje silnikowi konwersji potencjalną granicę bloku tekstu. Poziome przesunięcie między znakiem punktora a tekstem podstawowym stwarza dodatkową złożoność: punktor może znajdować się w innej pozycji x niż tekst, który po nim następuje, co sugeruje dwa oddzielne obiekty tekstowe, a nie jeden.
Brak wyraźnych znaczników akapitów w Format PDF oznacza, że silnik konwersji opiera się całkowicie na heurystyce przestrzennej i opartej na czcionkach. Kiedy wypunktowania wprowadzają zmiany czcionki, przesunięcia pozycji, a czasami dodatkowe odstępy między elementami, heurystyka skłania się w stronę podziału. Rezultatem jest wynik programu PowerPoint, w którym każda linia punktora, a czasami każdy składnik każdego punktora, znak punktora, pogrubiony tekst wprowadzający i tekst główny, kończą się w oddzielnych polach tekstowych. Ręczne skonsolidowanie tych fragmentów z powrotem w jeden płynny blok tekstu jest najbardziej czasochłonną częścią czyszczenia po konwersji.
Czynniki, które sprawiają, że podział punktorów jest mniej lub bardziej dotkliwy
Na stopień fragmentacji punktorów podczas konwersji w obie strony wpływa kilka czynników występujących w oryginalnym pliku programu PowerPoint i jego ustawieniach eksportu do formatu PDF. Pola tekstowe ze spójnym formatowaniem, tą samą rodziną czcionek, tym samym rozmiarem czcionki, tym samym kolorem i bez wbudowanego pogrubienia lub kursywy zapewniają najczystsze działanie w obie strony, ponieważ wszystkie znaki w ramce mają identyczne właściwości czcionki. Silnik konwersji rozpoznaje jednolite sygnały czcionki w każdym znaku i prawidłowo grupuje je w pojedynczy blok tekstu.
Pola tekstowe o mieszanym formatowaniu dają znacznie gorsze wyniki. Punktor, w którym kilka pierwszych słów jest pogrubionych jako wprowadzenie, po którym następuje tekst objaśniający o zwykłej grubości, zawiera co najmniej dwa warianty czcionki w tym samym logicznym bloku tekstu. Silnik konwersji widzi zmianę czcionki przy przejściu od pogrubienia do zwykłego i może podzielić tekst na tej granicy. Slajd z pogrubionymi wstępami w każdym punkcie może dać wynik, w którym każdy pojedynczy punktor zostanie podzielony na dwa pola tekstowe, jedno zawierające pogrubione wprowadzenie i drugie zawierające zwykły tekst następujący po nim.
Niestandardowe znaki punktorów, takie jak znaczniki wyboru, strzałki lub symbole charakterystyczne dla marki, powodują najpoważniejszą fragmentację. Niestandardowy punktor z czcionki symbolicznej zawiera zupełnie inne odniesienie do kroju czcionki niż tekst podstawowy. Silnik konwersji widzi zmianę czcionki z czcionki symbolicznej punktora na czcionkę tekstu podstawowego następnego tekstu i z powrotem na czcionkę symboliczną następnego punktora. Te naprzemienne odniesienia do czcionek są najsilniejszym możliwym sygnałem, że każdy punktor i jego tekst to oddzielne obiekty, w wyniku czego każdy punktor jest fragmentowany na co najmniej dwa pola tekstowe, a czasem trzy, jeśli punktor zawiera również odmiany sformatowanego tekstu.
Jak przygotować slajd w formacie PDF, aby zminimalizować fragmentację punktorów podczas konwersji
Jeśli wiesz, że slajd w formacie PDF będzie ostatecznie musiał zostać przekonwertowany z powrotem do formatu programu PowerPoint, kilka kroków przygotowawczych na etapie tworzenia pliku PDF zmniejszy fragmentację powodowaną przez silnik konwersji. Wyeksportuj plik programu PowerPoint do formatu PDF, korzystając z wbudowanej w aplikacji funkcji Zapisz jako PDF lub Eksportuj do pliku PDF, zamiast korzystać ze sterownika drukowania do pliku PDF. Natywny dla aplikacji eksport do pliku PDF zachowuje więcej informacji strukturalnych niż sterowniki druku, które traktują stronę jako wynik czysto wizualny.
Uprość formatowanie tekstu w punktach w miarę możliwości. Jeśli pogrubione wprowadzenia nie są niezbędne w prezentacji, użyj spójnej grubości czcionki w każdym punkcie. Im bardziej jednolite właściwości czcionki we wszystkich znakach w bloku tekstu, tym większe prawdopodobieństwo, że silnik konwersji poprawnie zgrupuje je w jednym polu tekstowym w wynikach.
Używaj standardowych punktorów z czcionki tekstu głównego, a nie niestandardowych punktorów z symbolami. Standardowe znaki wypunktowane Unicode mają taki sam krój czcionki jak tekst podstawowy i nie wprowadzają sygnału zmiany czcionki, który wyzwala podział. Jeśli niestandardowe punktory są niezbędne w prezentacji marki, zaakceptuj fakt, że konieczne będzie ręczne czyszczenie po konwersji i przeznacz na to czas w planie projektu konwersji.
Strategie czyszczenia po konwersji w przypadku fragmentarycznych wypunktowań
Jeśli w przekonwertowanym wyniku wystąpiła już fragmentacja punktorowa, podejście do systematycznego czyszczenia zmniejsza wysiłek ręczny. Wizualnie pogrupuj pofragmentowane pola tekstowe: określ, które oddzielne pola na każdym slajdzie logicznie do siebie pasują na podstawie ich położenia i kolejności treści. Wybierz wszystkie fragmenty należące do jednego oryginalnego punktora i użyj funkcji scalania lub łączenia tekstu, aby połączyć je w jedno pole tekstowe z prawidłowym przepływem tekstu.
W przypadku prezentacji zawierających wiele slajdów należy nadać priorytet slajdom, które będą dalej edytowane. Slajdy, które wymagają jedynie kontroli wizualnej, ponieważ ich treść jest ostateczna, nie wymagają konsolidacji pól tekstowych. Slajdy wymagające aktualizacji, uzupełnień lub przeformatowania treści wymagają konsolidacji, aby edycja tekstu działała naturalnie. Sortowanie slajdów według priorytetu edycji skupia wysiłek związany z porządkowaniem tam, gdzie jest to najważniejsze.
W przypadku konwersji na dużą skalę, gdzie ręczne czyszczenie każdego slajdu jest niepraktyczne, podejście skryptowe wykorzystujące model obiektowy programu PowerPoint może zautomatyzować część konsolidacji. Skrypt, który grupuje pola tekstowe według odległości przestrzennej na każdym slajdzie i łączy je w pojedyncze bloki tekstu, obsługuje najpopularniejsze wzorce fragmentacji. Ręczny przegląd wyników skryptu wychwytuje przypadki graniczne, które pomija automatyczne grupowanie, dając użyteczny wynik w ułamku czasu potrzebnego na w pełni ręczne czyszczenie.
Narzędzie do konwersji plików PDF do programu PowerPoint WukongPDF zawiera logikę grupowania tekstu, która zmniejsza fragmentację punktorów poprzez analizę spójności czcionki, bliskości przestrzennej i wzorców odstępów między wierszami w celu dokładniejszej rekonstrukcji oryginalnych bloków tekstu niż podstawowe silniki konwersji.
Coraz częstsze wykorzystanie analizy układu opartej na sztucznej inteligencji w narzędziach do konwersji dokumentów stopniowo poprawia wierność konwersji plików PDF do programu PowerPoint. Modele uczenia maszynowego wyszkolone na sparowanych zestawach danych PDF i oryginalnych zestawach danych programu PowerPoint mogą nauczyć się rozpoznawać wzorce wizualne wskazujące pojedyncze oryginalne pole tekstowe, nawet jeśli reprezentacja pliku PDF rozłożyła je na poszczególne rozmieszczenia znaków. W miarę ulepszania tych modeli zmniejszy się obciążenie ręcznego czyszczenia konsolidacji punktorów po konwersji. Na razie najbardziej praktycznym podejściem pozostaje zrozumienie, dlaczego występuje fragmentacja i jak ją zminimalizować poprzez przygotowanie dokumentów i systematyczne czyszczenie.
Podstawowe napięcie w konwersji plików PDF w obie strony leży pomiędzy wiernością wizualną a możliwością edycji. Konwersja zoptymalizowana pod kątem wierności wizualnej generuje dane wyjściowe, które wyglądają dokładnie tak, jak oryginalny plik PDF, ale składają się z fragmentów, których edycja jest trudna. Konwersja zoptymalizowana pod kątem możliwości edycji grupuje tekst w płynne bloki, które można łatwo edytować, ale mogą nie odpowiadać dokładnie oryginalnemu układowi wizualnemu. Zrozumienie tego kompromisu pomaga ustalić realistyczne oczekiwania dotyczące dowolnego projektu konwersji plików PDF do programu PowerPoint.
Jeśli w trakcie wspólnego procesu recenzji prezentacja musi wielokrotnie przechodzić między programami PowerPoint i PDF, ustanowienie polityki opartej na jednym źródle prawdy zapobiega pogłębiającej się fragmentacji występującej w każdym cyklu konwersji. Wyznacz plik programu PowerPoint lub plik PDF jako wersję wiarygodną i traktuj drugi format jako jednorazowy plik wyjściowy, a nie uczestnika podróży w obie strony. Każdy cykl recenzji rozpoczyna się od wiarygodnego formatu źródłowego, a nie od przekonwertowanych wyników poprzedniego cyklu.