フォーマットを崩さずにPDFをWordに変換する方法

PDFをWordに変換するとき、ユーザーが繰り返し感じる失望がある。出力がおかしいのだ。列がずれ、画像が予期しない場所に浮き、フォントが変わり、表が平文に崩れる。コンバーターが「うまく動かなかった」と感じる。

しかし、実際には動いている。問題はPDFとWordの間にある根本的な構造上のミスマッチだ。このミスマッチを理解すれば、変換がうまくいく場合とそうでない場合、そして対処法がわかるようになる。

PDFとWordが根本的に異なる理由

PDF（Portable Document Format）は固定レイアウト形式だ。ドキュメントをページ上の視覚要素の正確な配置として記述する。各文字はポイント単位で絶対座標を持ち、各画像は正確な座標を持ち、各線は特定の線幅を持つ。PDFは要素間の関係を記述しない。意味的な意味での「段落」「表」「見出し」という概念がない。ただ「このグリフを位置(245, 410)に配置する」と指示するだけだ。

Word（.docx）はフロードキュメント形式だ。段落、スタイル、表、ヘッダー、列といった意味的な構造でコンテンツを記述する。最終的な視覚的表示は、ファイルに固定されるのではなく、表示時にレンダリングエンジンが計算する。

この2つのモデル間の変換は、本質的に情報が失われる。PDFをWordに変換するには以下が必要だ。

1. 文字の抽出: PDFからグリフの位置とUnicode値を読み取る
2. テキストの再構成: グリフ間隔から単語の境界を推測する
3. レイアウトの推論: 位置データから「段落」「表」「列」「見出し」を推測する
4. 構造のマッピング: PDFの視覚的外観を近似するWord要素を作成する

ステップ3と4はヒューリスティックな処理、つまり教育的な推測だ。PDFには元のドキュメント構造を再現するために必要な情報が含まれていないため、どんなアルゴリズムも100%正確にはなれない。元の構造は、最初にドキュメントをPDFにエクスポートした時点で失われている。

うまく変換できるもの

制限はあるものの、特定の種類のコンテンツは変換がうまくいく。

• シンプルなテキスト文書: 最小限の書式設定で流れるテキストの段落はきれいに変換される。本文テキスト、箇条書き、番号付きリストはいずれもうまく変換できる。
• 基本的な表: セルの境界線がはっきりした表は、通常Wordの表オブジェクトに正しく変換される。
• シンプルなヘッダーとフッター: これらは通常、正確に検出される。
• 標準フォント: 一般的なフォント（Times New Roman、Arial、Calibri）を使用した文書は正確に再現される。珍しいフォントや装飾的なフォントを使用した文書は代替表示になる場合がある。

うまく変換できないもの

以下の要素は、すべてのPDF-Word変換ツールで安定して問題が発生する。

• 複数列のレイアウト: 2列の雑誌スタイルのレイアウトは、多くの場合、列をまたいで読み取り順序でテキストが流れる1列に変換され、意図した構造が失われる。
• 明示的な境界線のない表: セルの境界線ではなく余白で作られた視覚的な表は、表として認識されない。
• 画像内のテキスト: 画像の一部になっているテキスト（PDFのテキストとしてレンダリングされていないもの）は、OCR非対応のコンバーターでは抽出されない。画像オブジェクトとして表示される。
• スキャンされた文書: スキャンされたPDFは完全に画像データだ。OCRなしで変換すると、編集可能なテキストではなく、埋め込み画像を含むWordファイルが生成される。
• 複雑な配置オブジェクト: テキストボックス、吹き出し、サイドバー、絶対配置の浮動要素は、意図したWordの対応要素に変換されることはほとんどない。
• 装飾フォントとリガチャ: 非標準のグリフエンコーディングを使用するフォントは、文字化けしたテキストに変換される場合がある。

スキャンされたPDFの変換

PDFがスキャンされた文書の場合、追加のステップが必要だ。まずOCRを実行する。

1. LuraPDF OCR PDFを使って、テキスト層を追加して文書を検索可能にする
2. 次に、OCR処理済みのPDFをLuraPDF PDF to WordでWordに変換する

この2ステップのプロセスは、スキャンを直接変換するよりも格段に優れたWord出力を生成する。OCRのステップにより、コンバーターが処理できる実際のPDFテキストオブジェクトが作成されるためだ。

LuraPDFでPDFをWordに変換する方法

1. コンバーターを開く: LuraPDF PDF to Wordにアクセスする
2. PDFをアップロードする: ドラッグ&ドロップするか、クリックしてファイルを参照する
3. 「変換」をクリックする: 変換はブラウザ上で、PDFの解析にpdf.js、変換ロジックにMammothの逆変換を使って実行される
4. ダウンロードする: Microsoft Word、LibreOffice、またはGoogle Docsで開ける.docxファイルを受け取る

より良い結果を得るための実践的な方法

テキストが多い文書の場合:

• 変換結果は元の文書に近いはずだ。余白の問題を修正するために、さっと確認してみよう。

表を含む文書の場合:

• 表が正しく変換されなかった場合、元の表に境界線が表示されていたか確認する。境界線のない表はうまく変換されないことが多い。
• 変換後のテキストを参照しながら、Wordで複雑な表を手動で再構築する。

複数列のレイアウトの場合:

• 列が直線化される可能性が高いことを受け入れる。変換されたテキストを出発点として、Wordで列レイアウトを手動で再適用する。

書式設定が多い文書の場合:

• 実際に編集可能なWordファイルが必要かどうか、あるいはテキストを抽出するだけで十分かどうかを検討する。テキスト抽出のみが目的なら、LuraPDF PDF to Textのほうがきれいな平文出力を得られる。

変換しないほうがいい場合

PDF-Word変換が間違ったアプローチとなる場合がある。

• コンテンツを読みたいだけの場合: PDFを開けばいい。変換する必要はない。
• 小さな編集をしたい場合: LuraPDF Edit PDFを使えば、変換せずに直接テキストの追加、誤字の修正、または墨消しができる。
• 特定のページを抽出したい場合: Extract PDF Pagesを使って、必要なページを小さなPDFとして取得する。

PDF-Word変換が適切なのは、コンテンツを大幅に書き直したり再フォーマットしたりする必要があり、かつソースファイルがもう入手できない場合だ。

よくある質問

WordファイルがPDFと異なって見えるのはなぜですか？ PDFとWordは根本的に異なるレイアウトモデルを使用しているためだ。コンバーターは視覚的な位置データから構造を再構成するが、これは本質的に近似だ。出力はベストエフォートの近似結果となる。

変換されたテキストが文字化けしている — なぜですか？ PDFがカスタムのグリフエンコーディングや、標準的な文字マッピングが機能しないType 3フォントを使用している可能性が高い。これは古いPDF、法的な裁判所書類、および非標準のPDFジェネレーターで作成された文書によく見られる。

パスワードで保護されたPDFをWordに変換できますか？ まずUnlock PDFでパスワードを解除してから変換する。

変換でハイパーリンクは保持されますか？ 場合による。元のPDFにURLを指定するリンク注釈が含まれている場合、変換後も残ることが多い。内部ブックマークや相互参照は通常保持されない。

変換されたファイルの一部の箇所にテキストではなく大きな画像が含まれています。 PDFのその部分はラスタライズされた画像であり、テキストではない。PDFにまずOCRを実行してから変換する。

PDF-Word変換を成功させる鍵は、入力の種類に合わせて期待値を調整することだ。クリーンでテキスト中心のPDFは非常にうまく変換できる。複雑なレイアウトは変換後の調整が必要だ。スキャンされた文書は最初にOCRが必要だ。適切な期待値を設定すれば、ツールが期待を裏切ることはほとんどない。