Как PDF сохраняет текст в виде отдельных символов, а не в виде плавных абзацев
Страница PDF описывает текст как серию инструкций по размещению символов, каждая из которых определяет код символа, шрифт, размер и положение x,y на странице. В языке описания страниц PDF нет объекта абзаца. Контейнера текстового потока нет. Визуальный вид плавного абзаца создается путем размещения каждого символа в правильной позиции для имитации непрерывного текстового блока, но базовые данные представляют собой список отдельных команд позиционирования символов.
Понимание того, почему это происходит, является половиной решения.
Несколько подготовительных шагов значительно сокращают объем очистки после преобразования.
Такое представление на уровне символов является основной причиной того, почему преобразование PDF в PPT разбивает текст маркера на отдельные блоки. При создании PDF-файла исходное приложение, будь то PowerPoint, Keynote или Google Slides, имело текстовое поле, содержащее маркированный список. Текстовое поле представляло собой единый объект с несколькими строками текста, расположенными внутри него. В процессе создания PDF-файла, будь то путем экспорта, сохранения в формате или печати в PDF, это одно текстовое поле разбивается на отдельные инструкции по размещению символов. Понятие «этот текст принадлежит одному текстовому полю» потерялось при переводе.
Механизм преобразования, пытающийся преобразовать PDF-файл обратно в PowerPoint, сталкивается с этими отдельными размещениями символов и должен восстановить исходную группировку текста на основе данных на уровне символов. Он видит символы, расположенные близко друг к другу вдоль линии. Он видит несколько строк с одинаковыми левыми полями и одинаковым межстрочным интервалом. Это предполагает, что эти символы и строки, вероятно, принадлежат одному текстовому блоку. Но механизм преобразования также должен решить, где начинается и заканчивается каждый пункт списка, и когда доказательства неоднозначны, он ошибается в сторону разделения, а не группировки.
Почему механизмы преобразования разбивают маркированные списки на отдельные текстовые поля
Алгоритм группировки текста механизма преобразования использует несколько сигналов, чтобы решить, какие символы принадлежат одному и тому же текстовому блоку. Согласованность шрифта является самым сильным сигналом: символы, использующие один и тот же шрифт и размер, скорее всего, являются частью одного и того же текстового блока. Горизонтальное выравнивание — еще один сильный сигнал: символы, имеющие одинаковое положение левого поля в нескольких строках, предполагают единый текстовый блок с одинаковым отступом. Согласованность межстрочного интервала усиливает группировку: строки с одинаковым вертикальным интервалом с большей вероятностью будут принадлежать друг другу, чем строки с неравномерным интервалом.
Пункты списка одновременно ослабляют несколько из этих групповых сигналов. Символ маркера, обычно отображаемый в виде символа или шрифта дингбат, использует шрифт, отличный от шрифта основного текста, следующего за ним. Это изменение шрифта в начале каждой строки маркера сигнализирует механизму преобразования о потенциальной границе текстового блока. Горизонтальное смещение между символом маркера и основным текстом создает дополнительную сложность: маркер может находиться в другой позиции x, чем текст, следующий за ним, что предполагает наличие двух отдельных текстовых объектов, а не одного.
Отсутствие явных маркеров абзацев в формате PDF означает, что механизм преобразования полностью полагается на эти пространственные и основанные на шрифтах эвристики. Когда в пунктах списка вводятся изменения шрифта, смещения позиций и иногда дополнительные интервалы между элементами, эвристика склоняется к разделению. Результатом является вывод PowerPoint, в котором каждая строка маркера, а иногда и каждый компонент каждого пункта маркера, символ маркера, выделенный жирным вводным текстом и основной текст оказываются в отдельном текстовом поле. Объединение этих фрагментов вручную в единый текстовый блок — самая трудоемкая часть очистки после преобразования.
Факторы, которые делают разделение пунктов списка более или менее серьёзным
Несколько факторов в исходном файле PowerPoint и его настройках экспорта в PDF влияют на то, насколько сильно фрагментируются пункты списка во время двустороннего преобразования. Текстовые поля с единообразным форматированием, одинаковым семейством шрифтов, одинаковым размером шрифта, одинаковым цветом и отсутствием жирного шрифта или курсива обеспечивают наиболее четкое отображение туда и обратно, поскольку все символы в поле имеют одинаковые свойства шрифта. Механизм преобразования видит единые сигналы шрифта для каждого символа и правильно группирует их в один текстовый блок.
Текстовые поля со смешанным форматированием дают значительно худшие результаты. Маркированный список, в котором первые несколько слов выделены жирным шрифтом в качестве вступления, за которым следует пояснительный текст обычного размера, содержит как минимум два варианта шрифта в одном логическом текстовом блоке. Механизм преобразования видит изменение шрифта при переходе от жирного к обычному и может разделить текст на этой границе. Слайд с жирным вводом в каждом пункте списка может привести к выводу, что каждый отдельный пункт списка разделен на два текстовых поля: одно содержит жирный ввод, а другое — обычный текст, следующий за ним.
Пользовательские символы маркеров, такие как галочки, стрелки или символы бренда, вызывают наиболее серьезную фрагментацию. Пользовательский маркер из символьного шрифта содержит совершенно другую ссылку на шрифт, чем основной текст. Механизм преобразования видит изменение шрифта с шрифта символа для маркера на шрифт основного текста для следующего текста и обратно на шрифт символа для следующего маркера. Эти чередующиеся ссылки на шрифты являются сильнейшим сигналом о том, что каждый маркер и его текст являются отдельными объектами, в результате чего каждый пункт маркера фрагментируется как минимум на два текстовых поля, а иногда и на три, если пункт маркера также содержит внутри себя варианты форматированного текста.
Как подготовить слайды PDF, чтобы минимизировать фрагментацию маркированного списка во время преобразования
Если вы знаете, что набор слайдов PDF в конечном итоге необходимо будет преобразовать обратно в PowerPoint, несколько подготовительных этапов на этапе создания PDF уменьшат фрагментацию, которую будет производить механизм преобразования. Экспортируйте файл PowerPoint в PDF, используя встроенную в приложении функцию «Сохранить как PDF» или «Экспорт в PDF», а не использовать драйвер печати в PDF. Экспорт PDF в собственном приложении сохраняет больше структурной информации, чем драйверы печати, которые рассматривают страницу как чисто визуальный результат.
Упростите форматирование текста в пунктах списка настолько, насколько это возможно. Если жирные вступления не являются обязательными для презентации, используйте одинаковый начертание шрифта во всех пунктах списка. Чем более однородны свойства шрифта для всех символов в текстовом блоке, тем больше вероятность того, что механизм преобразования правильно сгруппирует их в одно текстовое поле на выходе.
Используйте стандартные символы маркеров из шрифта основного текста, а не маркеры шрифта пользовательских символов. Стандартные маркеры Юникода используют тот же шрифт, что и основной текст, и не вводят сигнал изменения шрифта, который запускает разделение. Если специальные маркеры важны для презентации бренда, признайте, что потребуется ручная очистка после конверсии, и выделите для нее время в плане проекта конверсии.
Стратегии очистки после преобразования фрагментированных пунктов маркированного списка
Если в преобразованном выводе уже произошла фрагментация маркированного списка, систематический подход к очистке сокращает ручные усилия. Визуально сгруппируйте фрагментированные текстовые поля: определите, какие отдельные поля на каждом слайде логически принадлежат друг другу, исходя из их положения и последовательности содержимого. Выберите все фрагменты, принадлежащие одному исходному маркеру, и используйте функцию слияния или объединения текста, чтобы объединить их в одно текстовое поле с правильным текстовым потоком.
Для презентаций с большим количеством слайдов отдайте приоритет слайдам, которые будут в дальнейшем редактироваться. Слайды, которым требуется только визуальная проверка, поскольку их содержимое является окончательным, не нуждаются в консолидации текстовых полей. Слайды, требующие обновления содержимого, дополнений или переформатирования, нуждаются в консолидации, чтобы редактирование текста работало естественно. Сортировка слайдов по приоритету редактирования сосредотачивает усилия по очистке там, где это наиболее важно.
Для крупномасштабных преобразований, когда ручная очистка каждого слайда нецелесообразна, сценарный подход с использованием объектной модели PowerPoint может частично автоматизировать консолидацию. Скрипт, который группирует текстовые поля по пространственной близости на каждом слайде и объединяет их в отдельные текстовые блоки, обрабатывает наиболее распространенные шаблоны фрагментации. Ручная проверка выходных данных сценария выявляет крайние случаи, которые пропускает автоматическая группировка, и дает полезный результат за долю времени, которое потребовалось бы при полностью ручной очистке.
Инструмент преобразования PDF в PowerPoint WukongPDF включает логику группировки текста, которая уменьшает фрагментацию пунктов списка за счет анализа согласованности шрифта, пространственной близости и шаблонов межстрочного интервала для более точного восстановления исходных текстовых блоков, чем базовые механизмы преобразования.
Растущее использование анализа макета на основе искусственного интеллекта в инструментах преобразования документов постепенно повышает точность преобразования PDF в PowerPoint. Модели машинного обучения, обученные на парных наборах данных PDF и исходного файла PowerPoint, могут научиться распознавать визуальные шаблоны, обозначающие одно исходное текстовое поле, даже если представление PDF разложило его на отдельные места размещения символов. По мере совершенствования этих моделей нагрузка на ручную очистку при консолидации пунктов списка после преобразования будет уменьшаться. На данный момент наиболее практичным подходом остается понимание того, почему происходит фрагментация и как ее свести к минимуму посредством подготовки документов и систематической очистки.
Фундаментальное противоречие в двустороннем преобразовании PDF лежит между визуальной точностью и редактируемостью. Преобразование, оптимизированное для визуальной точности, создает выходные данные, которые выглядят точно так же, как исходный PDF-файл, но состоят из фрагментов, редактировать которые сложно. Преобразование, оптимизированное для редактирования, группирует текст в плавные блоки, которые легко редактировать, но которые могут не точно соответствовать исходному визуальному макету. Понимание этого компромисса помогает установить реалистичные ожидания для любого проекта преобразования PDF в PowerPoint.
Когда презентация должна многократно перемещаться между PowerPoint и PDF в процессе совместного редактирования, установка политики единого источника достоверной информации предотвращает усугубляющуюся фрагментацию, возникающую при каждом цикле преобразования. Назначьте файл PowerPoint или PDF в качестве авторитетной версии и рассматривайте другой формат как одноразовый результат, а не как участник обратного пути. Каждый цикл проверки начинается с авторитетного исходного формата, а не с преобразованного вывода предыдущего цикла.