Gescande PDF naar Word: waarom de opmaak breekt

Een gescande PDF is geen Word-document dat alleen nog uitgepakt hoeft te worden. Het is een stapel foto's van pagina's. Voordat je er iets in kunt bewerken, moet iets de letters van de afbeeldingen aflezen en daarna raden waar alinea's, kolommen en tabellen horen. Bij dat raden gaat de opmaak mis, en daarom loont het om bij een scan vooraf je route te kiezen.

Kijk eerst wat voor PDF je hebt

Probeer in je PDF-lezer één zin te selecteren. Lichten losse woorden op en kun je ze netjes kopiëren, dan heeft het bestand al een tekstlaag en kan PDF naar Word er een bewerkbaar document van maken. Licht de hele pagina op als één plaatje, dan is het een scan en geldt de rest van dit artikel voor jou.

Wat onze PDF naar Word met een scan doet

Stop je een scan rechtstreeks in PDF naar Word, dan krijg je een .docx waarin elke pagina als afbeelding staat. Het ziet er goed uit, maar je kunt nergens in typen. Eerst OCR uitvoeren helpt ook niet. OCR zet een onzichtbare tekstlaag achter elke pagina, en die verborgen laag slaat de Word-converter over. Laat PDF naar Word bij scans dus liggen en kies een van de routes hieronder.

Routes die wel werken voor een scan

1. Je wilt de woorden in Word hebben: gebruik PDF naar tekst en vink „OCR uitvoeren” aan. Je krijgt een .txt-bestand met de herkende tekst, dat je in een nieuw Word-document plakt en daar opmaakt. Koppen en tabellen bouw je zelf opnieuw op, maar overtypen hoeft niet.
2. Je wilt alleen zoeken en kopiëren: dan is PDF OCR de laatste stap. De pagina ziet er precies hetzelfde uit en de woorden worden selecteerbaar.
3. Het is vooral een tabel met cijfers: haal het bestand door PDF OCR en daarna door PDF naar Excel. Die kan de OCR-laag wel lezen, maar loop de kolommen na, want naast elkaar liggende cellen worden soms samengevoegd.

Waarom de opmaak hoe dan ook breekt

OCR herkent tekens, maar weet niets van de ontwerpkeuzes achter de pagina. Op een vage scan wordt een 8 zomaar een 3. Twee kolommen kunnen dwars overheen worden gelezen, een tabel komt terug als waarden met spaties ertussen en handschrift is onbetrouwbaar.

Daar komt bij dat onze OCR alleen Engels leest. Nederlandse tekst komt voor een groot deel leesbaar terug, maar trema's en accenten, zoals in „ideeën” of „café”, gaan vaak mis, en niet-Latijnse schriften worden helemaal niet herkend. Moet de Nederlandse tekst echt kloppen, gebruik dan ocrmypdf op je eigen computer met de optie -l nld+eng en het Nederlandse taalpakket van Tesseract.

• Schone, rechte scans met veel contrast geven OCR de beste kans.
• Tabellen en pagina's met meerdere kolommen moet je het nauwkeurigst nakijken.
• Stempels en handgeschreven aantekeningen controleer je teken voor teken als het op nauwkeurigheid aankomt.

Een betere bron wint van elke reparatie

Heb je het papieren origineel nog, scan het dan opnieuw, recht op de pagina en op ongeveer 300 dpi, zonder vingers, schaduwen of omgevouwen hoekjes in beeld. Komt de PDF uit een systeem op kantoor, vraag dan om het oorspronkelijke digitale bestand of het brondocument. Een echte digitale PDF gaat wel goed door PDF naar Word, en één schoon origineel scheelt meer tijd dan een uur opmaak herstellen.

Veelgestelde vragen

Waarom staan er in mijn Word-bestand alleen afbeeldingen van de pagina's?

Omdat de PDF een scan was. De converter vond geen echte tekst om op te bouwen en heeft elke pagina daarom als afbeelding geplaatst. Gebruik PDF naar tekst met OCR aan om de woorden eruit te halen en plak ze daarna in Word.

Wordt een wazige scan beter als ik hem nog eens omzet?

Nee. Een conversie herhalen voegt geen detail toe dat de scan nooit heeft vastgelegd. Scan het origineel zo mogelijk scherper opnieuw en voer daarna één keer OCR uit.