Så konverterar du en skannad PDF till Word, och varför resultaten varierar

Två PDF-filer kan se identiska ut på skärmen och bete sig helt olika när du konverterar dem till Word. Den ena har sparats från ett ordbehandlingsprogram och innehåller riktig text. Den andra har skapats av en skanner eller en mobilkamera, och varje sida är ett fotografi av text. För att göra om den andra sorten till ett redigerbart dokument måste en konverterare först läsa bokstäverna från bilden och sedan gissa hur sidan var upplagd. Båda stegen kan gå fel, och den här guiden förklarar var, varför och vad du kan göra åt det.

Så ser du om din PDF är skannad

Det snabbaste testet är att försöka markera ett enda ord. Om markören ritar en ruta över hela sidan i stället för att markera ordet är sidan en bild. Att söka med Ctrl+F (Cmd+F på en Mac) är det andra testet: på en skannad sida hittas ingenting, inte ens ett ord som du kan se.

Det hjälper också att zooma in. Riktig text förblir skarp i alla förstoringar, eftersom den ritas med ett typsnitt. Skannad text blir mjuk och kantig när du zoomar, eftersom den består av bildpunkter.

Vissa skanningar är en blandning. Skannerprogram kör ofta textigenkänning när filen sparas och gömmer den igenkända texten bakom bilden, så att du kan markera och söka. Den dolda texten är dock aldrig bättre än skannerns gissning. Kopiera ett stycke till en enkel textredigerare så ser du exakt vad som finns där, feltolkningar inräknade.

Vad OCR egentligen gör

OCR, optisk teckenigenkänning, är processen som gör om en bild av text till tecken. Den sker i steg. Bilden rensas upp: den rätas ut om den är sned och kontrasten justeras. Programmet hittar sedan de områden som innehåller text, delar upp dem i rader och ord och jämför varje form med hur det har lärt sig att bokstäver ser ut, med hjälp av en ordlista för språket för att avgöra osäkra fall.

Ordlistan är viktig, eftersom den bara kan hjälpa till med ord. Om OCR läser ”lnbetalning” med ett litet L knuffar ordlistan tillbaka det till ”inbetalning”. Om den läser ett kontonummer som 1O45 i stället för 1045 finns det inget att rätta det mot. De vanliga förväxlingarna gäller tecken som ser likadana ut i många typsnitt: 0 och O, 1 och l och I, 5 och S, 8 och B, och paret ”rn”, som kan bli ”m”. Därför är det i siffror, namn och koder som OCR-fel gömmer sig, och därför förtjänar de den noggrannaste kontrollen.

Varför resultaten varierar så mycket mellan skanningar

Samma konverterare kan ge nästan perfekt text från en skanning och en röra från en annan. Skillnaden ligger nästan alltid i bilden:

Upplösning. 300 DPI är den vanliga rekommendationen när man skannar dokument för OCR. Under ungefär 200 DPI förlorar liten text de detaljer som skiljer liknande bokstäver åt. Mycket liten text, som fotnoter och villkor på baksidan av en blankett, mår bra av 400 DPI eller mer.
Vinkel och böjning. En sida som fotograferats snett, eller en boksida som böjer sig in mot ryggen, ger textrader som inte är raka. Uträtning hjälper, men böjda rader kommer ofta ut med ord som har fallit bort eller slagits ihop.
Kontrast och bakgrund. Färgat papper, överstrykningspenna, stämplar över text och bleka kopior av kopior gör det svårare att skilja bokstäverna från det som ligger bakom dem.
Hård komprimering. En skanning som sparats med låg JPEG-kvalitet har suddiga kanter och fläckar runt varje bokstav. En svartvit bild i faxkvalitet bryter sönder tunna streck.
Handskrift. Den OCR som används för dokumentkonvertering är byggd för tryckt text. Handskrivna anteckningar och namnteckningar blir oftast fel eller lämnas kvar som bilder.
Språk och layout. Igenkänningen tränas per skriftsystem och språk, så mindre vanliga skriftsystem och sidor med flera språk är svårare. Flera kolumner, tabeller utan linjer och text ovanpå bilder gör layoutsteget ännu svårare.

Varför Word-filen kan se annorlunda ut även när texten är rätt

Att känna igen tecknen är bara halva jobbet. En konverterare måste också bygga upp sidan igen som något Word förstår, och den står inför en avvägning. Den kan skriva texten som vanliga löpande stycken, som är lätta att redigera men glider bort från den ursprungliga layouten. Eller så kan den fästa varje textblock på dess exakta position, vilket ser rätt ut men är besvärligt att redigera, eftersom text som du skriver i ett block inte skjuter ned nästa.

Andra skillnader kommer från information som skanningen helt enkelt inte innehåller. OCR kan inte veta vilket typsnitt som användes, så Word får ett liknande och radbrytningarna flyttas. En tabell med linjer kan byggas upp igen som en Word-tabell, men en tabell utan linjer kan komma in som text åtskild av tabbar eller mellanslag. Sidhuvuden, sidfötter och sidnummer kan hamna i dokumentets brödtext, och logotyper, stämplar och namnteckningar förblir bilder.

Konvertera en skanning med PDF till Word

Vårt verktyg PDF till Word kör OCR automatiskt på de sidor som behöver det, så en skanning kommer tillbaka som en .docx med redigerbar text, och sidor som redan innehåller text konverteras direkt. Filen skickas till en leverantör av dokumentkonvertering, som uppger att den raderar filen och resultatet inom tre timmar. Det finns ingen fast storleksgräns, men uppladdningen måste bli klar inom ungefär 40 sekunder, så en mycket stor skanning kräver en snabb anslutning. En PDF som kräver ett lösenord för att öppnas måste låsas upp först.

Några saker är värda att göra innan du konverterar:

Vänd sidor som ligger på sidan eller står upp och ned åt rätt håll, och ta bort tomma sidor. Organisera filer gör båda delarna utan att ladda upp filen.
Om du skannar papperet själv ska du använda 300 DPI i gråskala eller färg i stället för skannerns svartvita läge, som kan bryta sönder tunna bokstäver innan OCR ens får se dem.
Om du bara behöver några sidor kan du konvertera bara dem. Då finns det mindre att kontrollera efteråt.

Vad du ska kontrollera innan du förlitar dig på resultatet

OCR gör misstag i de flesta verkliga skanningar, och det varnar inte när det händer. Kontrollera följande innan du skickar eller arkiverar det konverterade dokumentet:

Varje siffra som är viktig. Summor, datum, belopp, konto- och referensnummer, telefonnummer. Jämför dem med skanningen, inte med vad som verkar rimligt.
Namn och adresser. De finns sällan i någon ordlista, så ingenting rättar dem.
Ord som stavningskontrollen stryker under. Röda understrykningar samlas där OCR har gissat fel, vilket gör Words stavningskontroll till en grov felsökare.
Liten text och marginaler. Fotnoter, stämplar och anteckningar i marginalen är den text som oftast missas helt.
Tabeller. Se till att varje värde står på rätt rad och i rätt kolumn.

Vad som inte fungerar bra

Med vissa dokument blir varje konverterare en besvikelse. Handskrivna blanketter, fax, skärmbilder av dokument tagna i skärmupplösning och text som är en del av ett foto eller ett diagram behöver oftast skrivas in på nytt där de är viktiga.

Två av våra andra verktyg läser inte skanningar alls. PDF till Excel läser bara text som redan finns i PDF-filen, så det kan inte hämta en tabell från en skannad sida. Översätt dokument avvisar skannade PDF-filer av samma anledning. I båda fallen kan du först konvertera skanningen med PDF till Word, kontrollera texten och arbeta utifrån Word-filen: kopiera en tabell till Excel eller översätt .docx-filen.

Slutsats

Att konvertera en skannad PDF till Word är två gissningar i rad: vilka bokstäverna är och hur sidan var uppbyggd. En skarp, rak skanning med 300 DPI gör båda gissningarna lättare, och en noggrann kontroll av siffror och namn fångar det som OCR får fel. Se resultatet som ett första utkast av texten, inte som en kopia av originalet, så blir du sällan överraskad.

Har du en skanning som ska bli text? Prova vår konverterare för PDF till Word.

← Tillbaka till bloggen