Конвертировать PDF в DOCX (Word) онлайн

Как это происходит

PDF разбирается библиотекой pdf2docx: она читает координаты каждого текстового блока, определяет строки и абзацы, распознаёт границы таблиц и собирает из этого документ Word. Это не «вставка картинки в docx» — на выходе настоящий текст, который редактируется, ищется и копируется.

Если в PDF нет текстового слоя — а так выглядит любой скан или фотография страницы, — конвертация не останавливается. Файл уходит в распознавание: Tesseract с русским и английским словарями обрабатывает страницы параллельно и возвращает текст, который затем складывается в документ. Отдельно нажимать ничего не нужно, отсутствие текстового слоя определяется само.

Положение страницы тоже определяется само, причём для каждой отдельно: лист, отсканированный вверх ногами или боком, разворачивается перед распознаванием. В пачке сканов один поехавший лист не потянет за собой остальные.

Что переносится, а что поедет

Переносится хорошо: сплошной текст с абзацами, простые таблицы с видимыми границами, встроенные изображения, начертания и размеры шрифта.

Поедет: вёрстка в две и больше колонок — pdf2docx выстраивает блоки в один поток, и колонки идут друг за другом, а не рядом. Подписи под картинками часто становятся отдельными абзацами. Сложные таблицы с объединёнными ячейками и таблицы без линий распознаются неточно. Колонтитулы могут попасть в основной текст.

У скана путь другой и результат скромнее: из растра восстанавливать нечего, поэтому распознанное ложится в документ обычным текстом — абзацы и страницы на месте, таблицы, колонки и картинки оригинала нет. Это не наше ограничение, а свойство скана: в нём нет ничего, кроме точек. Если исходный PDF был сделан из документа, а не отснят, всё это сохранится — путь через pdf2docx выбирается сам.

Правило простое: чем ближе PDF к обычному текстовому документу, тем точнее результат. Журнальный разворот с колонками и врезками придётся править руками — но править готовый текст всё равно быстрее, чем набирать заново.

Если результат оказался пустым

Пустой или почти пустой документ означает одно из двух: в PDF нет текстового слоя и распознавание не нашло знакомых букв, либо страница защищена от извлечения текста. В первом случае помогает скан лучшего качества — распознавание плохо работает с перекошенными и размытыми снимками. Во втором конвертация невозможна в принципе, и никакой онлайн-сервис этого не обойдёт.

Частые вопросы

Сохранится ли форматирование?

Текст, абзацы, начертания, простые таблицы и картинки — да. Многоколоночная вёрстка, объединённые ячейки и колонтитулы переносятся неточно и требуют правки.

Что будет со сканом без текстового слоя?

Он распознаётся автоматически: Tesseract с русским и английским словарями, до 200 страниц за раз. Отдельно включать распознавание не нужно.

Можно ли получить из PDF файл ODT, RTF или XLSX?

Нет. PDF импортируется в графический редактор LibreOffice Draw, а он не экспортирует форматы Writer и Calc. Обходной путь один: сначала PDF → DOCX, потом DOCX в нужный формат.