PDF 워드 변환

깔끔하게 변환되는 것과 그렇지 않은 것

PDF는 좌표에 글리프를 기록합니다. 문단이 없고, 누군가 일부러 태그를 달지 않았다면 제목도 없습니다. 그래서 둘 다 읽어 내는 것이 아니라 추론합니다. 같은 기준선에 있는 단어는 한 줄이 되고, 세로 간격이 벌어지면 새 문단이 시작되며, 문서 본문 크기 중앙값의 약 1.6배로 설정된 짧은 줄은 제목 1, 1.3배는 제목 2가 됩니다. 이 마지막 규칙은 편집을 시작하기 전에 알아 두면 좋습니다. 제목이 굵기만 하고 본문보다 크지 않은 문서는 본문 텍스트로 들어오며, Word의 탐색 창은 비어 있게 됩니다.

링크가 유지된다는 점에 많은 분이 놀랍니다. 텍스트 위의 링크 주석은 실제 워드 하이퍼링크가 되고, 12페이지로 이동하던 목차 항목이나 상호 참조는 그 페이지 맨 위에 심어 둔 책갈피로 가는 내부 링크가 됩니다. 그래서 변환 후에도 목차가 작동합니다.

전혀 읽히지 않는 것이 두 가지 있습니다. 입력된 PDF 양식의 답변은 페이지가 아니라 필드 객체에 있으므로 “편집 가능한 텍스트”에서는 아예 나타나지 않습니다. “원본 모양 그대로”에서는 페이지 그림의 일부이므로 보이지만, 편집할 수 있는 텍스트는 아닙니다. 주석과 스탬프도 같은 종류의 객체라서 같은 결과가 됩니다. 또 “원본 모양 그대로”에서는 그래픽을 144 DPI로 한 번 렌더링하고 그 위에 실제 텍스트를 놓으므로, PDF에서 벡터였던 로고나 차트가 .docx에서는 그림이 되며 확대하면 그 차이가 드러납니다.

다른 작업이 필요할 때

워드 문서가 아니라 글자만 필요하다면 Poppler의 pdftotext -layout file.pdf가 더 빠르고 예측 가능하며, 공백으로 단을 구분해 주고, PDF를 다른 곳에 넣을 때 흔히 쓰는 방법입니다. 그리고 PDF가 애초에 Word 파일로 만들어졌다면 만든 사람에게 .docx를 요청하세요. 모든 역변환은 좌표로부터 재구성한 결과이며, 재구성이 아닌 것은 원본뿐입니다.

표는 이 도구를 포함해 모든 PDF 변환기의 약점입니다. 문서 대부분이 표이고 숫자가 중요하다면, Tabula와 Camelot은 무료이고 바로 그 문제를 위해 만들어졌으며 범용 변환기보다 잘 처리합니다.