PDF → Word

Converti il testo del PDF in un .docx modificabile. Gratis, senza upload. max 1 GB · Fino a 1 GB · Elaborato localmente, mai inviato a un server.

Il PDF è un formato d’arrivo: congela un’impaginazione perché appaia identica ovunque. Il giorno in cui devi correggere un importo dentro un preventivo il cui file sorgente è sparito dal computer di chi l’aveva scritto, quella stessa qualità ti si rivolta contro. PDF → Word recupera allora ciò che è recuperabile, cioè il testo, e te lo consegna in un documento .docx modificabile.

Lo strumento apre il documento con PDF.js, chiede a ogni pagina il suo strato di testo, ricostruisce prima le righe e poi i paragrafi a partire dalla posizione verticale di ciascun frammento, e scrive un .docx minimale che JSZip assembla al volo. Il file prodotto prende il nome del PDF, e la nota finale dice quanti paragrafi sono stati estratti.

Vale la pena dire con chiarezza anche che cosa questo strumento non è. Non è una ricostruzione dell’impaginazione: font, corpi, grassetti, immagini e griglie di tabella non arrivano nel documento Word. Quello che riprendi è testo pulito, tagliato in paragrafi, che poi formatti tu. I servizi che promettono l’impaginazione completa fanno girare motori di riconoscimento della struttura ospitati sui loro server; qui tutto accade dentro la scheda, partendo dallo strato di testo.

Come si usa

  1. Verifica che il PDF contenga testo Aprilo e prova a selezionare una parola. Se la selezione non aggancia nulla il documento è una scansione, e l’estrazione non troverà assolutamente niente.
  2. Trascina il file L’area di rilascio recita «Trascina qui il tuo file», con «Scegli un file» sotto e una riga che ricorda il tetto di 1 GB e l’elaborazione locale. Le impaginazioni complesse, colonne e immagini comprese, escono semplificate.
  3. Fai clic su Avvia L’avanzamento mostra la pagina in corso sul totale. Ogni pagina viene percorsa esattamente una volta, per raccoglierne i frammenti di testo e le rispettive coordinate.
  4. Apri il .docx e formattalo Il documento arriva in A4, con margini di 2,5 cm e otto punti di spaziatura dopo ogni paragrafo. Gli stili restano da applicare.
  5. Se non c’è testo, passa dall’OCR Se vengono rilevati meno di cinque caratteri lo strumento si ferma e rimanda a OCR — PDF scansionato, che riconosce il testo delle pagine ormai diventate immagini.

Come vengono ricostruiti i paragrafi

PDF.js non restituisce righe ma frammenti, ciascuno accompagnato dalla propria matrice di posizione. Lo strumento arrotonda la coordinata verticale di ogni frammento, raggruppa nella stessa riga tutti quelli che rientrano in uno scarto di quattro unità, poi riattacca i pezzi uno all’altro riducendo a uno solo gli spazi multipli.

La divisione in paragrafi obbedisce poi a una regola di punteggiatura: una riga che finisce con un punto, un punto esclamativo, un punto interrogativo, i due punti, un punto e virgola o una virgoletta caporale di chiusura chiude il paragrafo in corso, esattamente come fa una riga vuota. Un titolo senza punteggiatura finale si ritrova quindi incollato al paragrafo che segue, e una riga che termina con un’abbreviazione taglia troppo presto. Da tenere presente per i testi italiani: il carattere di chiusura verificato dalla regola è la caporale », quella usata nei dialoghi e nelle citazioni all’italiana, non la virgoletta alta doppia; una battuta chiusa con quest’ultima non basta perciò a terminare un paragrafo. Tra due pagine viene inserita un’interruzione di pagina.

Che cosa contiene davvero il .docx prodotto

Un .docx è un archivio ZIP di parti XML. Questo contiene lo stretto necessario:

Non c’è foglio di stili, non c’è numerazione, non c’è cartella media. Ogni paragrafo è scritto senza alcuna formattazione, seguito da 160 twip di spaziatura, e la sezione finale dichiara una pagina di 11.906 × 16.838 twip, cioè un A4, margini di 1.417 twip inclusi.

Il pacchetto rispetta la struttura che ci si attende da un .docx e si apre nei programmi che leggono questo formato: i tuoi titoli torneranno a essere titoli nel momento in cui applicherai loro uno stile, non prima.

I documenti che passano male

Le impaginazioni su due colonne sono il caso scomodo. Poiché le righe vengono ricostruite per altezza, due colonne che si trovano allo stesso livello finiscono una in fila all’altra sulla stessa riga: il testo è completo, ma l’ordine di lettura non lo è più.

Le tabelle perdono la griglia: le celle di una stessa riga diventano un’unica frase. Intestazioni, piè di pagina e numeri di pagina vengono estratti come qualsiasi altro testo e ricompaiono disseminati lungo il documento. Alcuni generatori, infine, posizionano i caratteri uno per uno senza codificare mai uno spazio: il testo estratto mostra allora parole tutte attaccate, da separare a mano o con una ricerca e sostituzione.

Quando non è questo lo strumento giusto

Se quello che ti interessa è l’impaginazione, non convertire affatto: chiedi il file sorgente, oppure annota direttamente il PDF. Se il documento è una scansione, la deviazione dall’OCR è inevitabile. E per recuperare un’illustrazione, PDF → JPG esporta l’intera pagina come immagine, che poi basta ritagliare.

Nemmeno l’andata e ritorno è un’operazione neutra. Lo strumento Word → PDF, che percorre la strada inversa appoggiandosi a mammoth, renderizza il documento in un’immagine prima di affettarlo in pagine: il suo testo, dopo, non è più selezionabile. Un documento convertito e poi riconvertito non torna allo stato di partenza.

Domande frequenti

Perché i miei titoli non sono più titoli?

Il documento generato non contiene alcun foglio di stili e ogni paragrafo è scritto senza formattazione. Il programma di videoscrittura applica a tutto il suo stile predefinito, quindi la gerarchia è da ricreare a mano.

Dove sono finite le immagini del PDF?

Non vengono lette, perché viene percorso soltanto lo strato di testo. Per riprenderle, esporta le pagine interessate con PDF → JPG, poi inseriscile nel documento Word.

Due paragrafi si sono fusi, come si spiega?

L’interruzione dipende dalla punteggiatura a fine riga. Una riga che non termina né con un punto, né con un punto e virgola, né con una caporale di chiusura prosegue il paragrafo in corso.

Il numero di paragrafi annunciato corrisponde al mio documento?

Corrisponde al numero di blocchi formati dall’algoritmo, interruzioni di pagina escluse, e può discostarsi da come il PDF appare diviso a occhio.

Accenti e caratteri speciali vengono preservati?

Sì: il testo viene ripreso esattamente come PDF.js lo restituisce, con i caratteri riservati dell’XML sostituiti prima della scrittura. Un carattere codificato male nel PDF di partenza resterà sbagliato anche nel .docx.

Il mio PDF è una scansione, si può forzare l’estrazione?

No: sotto i cinque caratteri rilevati lo strumento si ferma. Lancia invece OCR — PDF scansionato, poi incolla il testo riconosciuto in un documento vuoto.

Strumenti simili

Scopri altri strumenti

Categorie