PDFを編集可能なWordに変換する方法
要点: 実際に編集できるWordファイルにするには、PDFをWordに変換するツールの出力タイプを「編集可能なテキスト」(フロー)に切り替えます。初期設定の「完全コピー」は、検索用の隠しテキストレイヤー付きで、すべてのページを画像として貼り込みます。フローでは、段落、見出し、本物のWordの表が組み立て直されます。
グループ
ハウツーガイド
ハウツーガイド: PDF guidance for reliable document processing and quality checks.
メインツール
PDFをWordに変換
この記事からツールを開き、今の言語のまま処理できます。
ツールを開く目次
PDFを編集可能なWord文書に変換する
頼まれることはほぼ決まっています。誰かから届いたPDFの数段落を直したい。そして、最初の試みはたいてい期待外れに終わります。ファイルはWordで開き、見た目も完璧なのに、カーソルが文字の中に入らないのです。これは変換の失敗ではなく、初期設定のまま変換した結果です。
初期設定では、テキストではなく画像になる
このツールにはモードが2つあり、その切り替えが「出力タイプ」です。初期状態で選ばれているのは「完全コピー(編集不可)」で、名前どおりの働きをします。ページの見た目を一字一句そのまま保つのです。その方法は単純明快で、PDFの各ページを画像に描画し、そのままWord文書に貼り込みます。
「だまされた」という感覚はここから来ます。拡張子は.docxで、Wordで開け、ページのサイズも向きも元と同じなのに、編集できるものがありません。ページに載っているのは画像だからです。
もう1つのモード「編集可能なテキスト」(以下、フロー)は、ページを分解し、段落、見出し、リスト、表といった部品から本物のWord文書を組み立て直します。その代わり、ページ上のすべてを元と同じ位置に置くことは諦めます。
| モード | 中身 | できること |
|---|---|---|
| 完全コピー | 各ページの画像と、隠しテキストレイヤー | 読む、テキストを検索する、印刷する |
| フロー | Wordの段落、見出し、リスト、表 | テキストの編集、スタイルの変更、表の操作 |
選ぶ基準は品質ではなく、用途です。見慣れたオフィス形式のまま次の相手に渡し、手を加えない文書には完全コピーが向いています。内容を変える文書にはフローが必要で、完全コピーをどれだけ調整しても、編集できるテキストにはなりません。
完全コピーのファイルの中身
ページの画像がすべてではありません。その下には、PDFから取り出したテキストが「非表示」の印を付けて入っています。画面にも印刷にも出ませんが、文書内を検索すると見つかります。
そのため完全コピーは、一見無意味に思える場面で役に立ちます。回覧したうえで、後から文言を検索する契約書はその一例です。見た目は保たれ、検索もでき、誰かが誤って編集することもありません。ツールは処理後にこの点を自ら知らせ、文書は編集できるテキストではないと警告します。このメッセージは読み飛ばさず、確認する価値があります。
ページのサイズと向きは、元のPDFからページごとに引き継がれます。縦向きの文書の途中に横向きのページがあれば、そのページは横向きのままです。
編集できる文書にする手順
1. PDFをWordに変換 オンラインを開き、ファイルをアップロードします。 2. 出力タイプを「編集可能なテキスト」(フロー)に切り替えます。大事な操作はこれだけで、初期設定のままでは行われません。 3. 後述のページ画像(プレビュー)が必要かどうかを決め、不要ならオフにします。 4. 処理を実行し、.docxをダウンロードします。 5. 文書を開き、ナビゲーションウィンドウを確認します。どの見出しが認識されたかが分かります。 6. 欠落が最も出やすい表と、1ページ目を確認します。
ヘッダーとフッターは意図的に消える
フローモードでは、文書全体を対象に、繰り返し現れる行を探す別の処理が走ります。条件は2つあります。行がページの上端または下端の10分の1に位置していること、そして少なくとも3ページに、かつ文書の半分以上のページに繰り返し現れることです。両方を満たした行は、結果から取り除かれます。
比較の仕方は単純ではありません。連続する数字はひとまとめにされるため、「Page 4」と「Page 5」は同じ行とみなされます。ただし、このまとめ処理が働くのは、行に文字が残っている場合に限ります。ページ下部の数字だけの行は文字どおりに比較され、3ページに3つの異なる数字があっても、互いに等しくはなりません。実際には、「Confidential. Page 7」のようなフッターは消えますが、数字だけのフッターは、各ページに段落として残ります。
4ページのレポートで試したところ、`Confidential report Page N` という行は、フローの結果には存在せず、完全コピーの結果には存在しました。完全コピーではページ自体が画像なので、取り除く対象がないためです。
この仕組みには弱点もあります。各ページの最上部に大きく置かれ、全ページで同一の文書タイトルは、同じ規則に該当し、ヘッダーと一緒に削除されてしまいます。その最上部の行が重要な場合は、原因を探すより、入力し直すほうが早いでしょう。
見出しはフォントサイズで決まる
結果に付く見出しスタイルは、勝手に作られるものではありません。ツールはまず文書全体から、どのフォントサイズが本文のサイズかを割り出します。数えるのは行数ではなく文字数なので、たまにある大きな図表キャプションが多数決に勝つことはありません。
次に、すべてのブロックをそのサイズと比べます。本文より約15%大きければレベル2の見出し、さらにその半分ほど大きければレベル1の見出しになります。それ以外は通常の段落のままです。見出しらしい文面であることも条件で、句点で終わる長い文は、どんなサイズで組まれていても見出しにはなりません。
そのため、スタイルを使わずに作られた文書では、結果が予測しやすくなります。全体が1つのサイズで、セクションを太字だけで区別している場合、Wordファイルに見出しは1つもできません。サイズに差がなく、判断の手がかりがないからです。ナビゲーションウィンドウは空になるので、構造は手作業で付け足すことになります。
表は表として出力される
表は専用の検出器で見つけます。PDFをExcelに変換 オンラインと同じ検出器です。検出された表は、スペースで整えた段落ではなく、罫線の見える本物のWordの表として文書に入ります。
検出された表の範囲に入っているテキストブロックは、段落の流れから外されます。外さないと、セルの内容が表と本文の2回出てしまうためです。判定のしきい値は、ブロックの面積の6割が重なることです。
表がどこに置かれるかは、上端の位置で決まります。その表より下から始まる最初の段落の直前に、表が差し込まれます。通常の1段組みのページなら、これで正しい順序になります。2段組みのページでは、2つの段の段落がファイル内で順番に並ぶ一方、高さが入り混じるため、表が元の位置とは別の場所に来ることがあります。
あるページで表の検出に失敗しても、処理全体が止まることはありません。そのページは通常のテキストとして出力され、結果にはそのページを挙げた警告が付きます。何も出力されないまま黙って終わることはありません。
ファイルの重さとページ画像
フローモードでは、初期設定で各ページのテキストの後にそのページの画像が付きます。結果を見比べるためです。ファイルの重さへの影響は、これに勝るものがありません。
同じ4ページの文書で測定した結果です。
| 結果 | サイズ |
|---|---|
| 完全コピー | 671 KB |
| フロー(ページ画像あり) | 315 KB |
| フロー(ページ画像なし) | 37 KB |
元のPDFは約4 KBでした。両端の行の差は18倍近くあり、その差はすべて画像です。比較ではなく実際の作業に使う文書なら、ページ画像はすぐにオフにしてください。編集できませんし、テキストにも関わりませんし、校正の邪魔にもなります。
完全コピーでは、ページがもともと画像なので、このページ画像の設定は完全に無視されます。
テキストレイヤーのないスキャン
スキャンした文書は画像で、取り出せるテキストはありません。完全コピーでは、結果は同じスキャンを.docxに包み直したものになります。フローでは、ページが空のまま出力され、各ページの位置に「このページは空白でした」という旨の注記が入ります。
対処は変換の後ではなく、前に行います。まずオンラインPDF OCRにかけてテキストレイヤーのあるPDFを作り、それからWordに変換します。逆の順序ではうまくいきません。認識の元になるものが何も残らないからです。
開くためのパスワードで保護された文書も変換できません。処理が止まり、パスワードを求められます。PDFのロック解除 オンラインで保護を解除してください。印刷やコピーだけを制限するパスワードなら、支障はありません。
編集が終わったら、たいていは文書をPDFに戻すことになります。それはWordをPDFに変換 オンラインの役目で、フォントの置き換えに独自の挙動があるため、事前に知っておくと安心です。
著者
サービスチームが作成し、Sergey Gaginがサービスの責任者を務めています。
よくある質問
このグループの他の記事
ハウツーガイド
PDFの表をExcelに抽出する方法
PDFからExcelへ。ブックに入るシート、3つの検出モードの実際の違い、ゆるやかモードが表を多く見つける代わりに単語を分割してしまう理由を解説します。
ハウツーガイド
PDFのページを抽出して新しいファイルにする方法
必要なページだけを別のPDFとして取り出す方法。2つの出力モードの違い、アーカイブ内のファイルが元のページ番号を保つ理由、サイズ保持をオフにした場合の動作を解説します。
ハウツーガイド
PDFの余白と不要な部分をトリミングする方法
トリミングはページの表示範囲だけを変え、範囲外の内容はファイルに残ります。実際に何が起きるか、余白が全ページに一括で効く理由、回転したページでの挙動を説明します。
関連ツール
PDFをWordに変換
PDFをWord文書に変換して、テキストの編集、セクションの追加、変更ができるようにします。
WordをPDFに変換
Word文書をPDFに変換してレイアウトを固定し、ファイルが対応するPDF閲覧アプリで開きやすくします。
PDFをExcelに変換
PDFの表のデータをExcelに取り出して、計算、フィルター、並べ替えができるようにします。
オンラインPDF OCR
スキャンPDFに検索・コピーできるテキスト層を追加します。OCRの言語や品質を選び、認識結果を確認してください。