PDFからWordへの変換でレイアウトが崩れる理由

PDFをWordに変換して.docxを開くと、レイアウトが崩れています。段組みがくっつき、文の途中で改行が入り、フォントは別物。これはツールの手抜きではありません。ほとんどのPDFには、「完璧な変換」に必要な情報がそもそも入っていないのです。

PDFは文書ではなく、印刷命令の集まり

PDFの中に「段落」オブジェクトも「表」オブジェクトもありません。あるのは描画命令だけです。この座標にこの文字を置く、ここに線を引く、そこに矩形を描く。PDFは印刷ページの見た目を記述したもので、文書そのものではなく文書の最終出力です。Wordはちょうど逆で、内容と構造を保存し、レイアウトは開いた瞬間に計算されます。

逆方向の変換は翻訳ではなくリバースエンジニアリング

.docxからPDFへの変換は決定的で、一方のフォーマットがもう一方へ流れ込むだけです。しかし逆方向はデコンパイルです。配置済みの文字の山から、背後にある構造を推測することになります。どの変換ツールも（当サイトのものも含めて）、座標とフォントサイズに対してヒューリスティクスを回しています。たいていは当たりますが、外れた箇所がまさに、目に付いてしまう崩れになります。

具体的に何が壊れるか

PDFが実際に何を保存しているかを知れば、これらの失敗はすべて予測可能になります：

• 改行：PDFは行ごとに文字を保存します。段落の終わりは行間とインデントからの推測なので、文の途中で切れることがあります。
• 段組み：ファイルに読み順はありません。段はX座標から推定する必要があり、単純なツールは横に読んでしまい、左段の1行目と右段の1行目がつながってしまいます。
• フォント：PDFにはフォントのサブセットが埋め込まれるため、Wordは似たフォントに置き換えます。文字幅が変われば折り返し位置も変わり、文書全体が再フローします。
• 表：PDFでの表は、罫線と個別に配置された文字の組み合わせです。グリッドは推測するしかなく、罫線のない表が最も難しいケースです。
• ヘッダーとフッター：毎ページ、通常のテキストとして繰り返されるため、検出して削除しないと文書中に何度も複製されます。

正直な2つの戦略と、不正直な1つの約束

変換ツールには、編集しやすいテキストを優先する道があります。テキスト層を抽出し、段落の順序を保ち、後でスタイルを整え直すことを受け入れる。当サイトのPDF to Wordはこちらの道で、ツールページにも明記してあります。もう一つは見た目を優先する道です。すべての断片を絶対位置のテキストボックスに配置すればページはPDFに似ますが、編集しようとした瞬間、文書が箱の山だと判明します。「ピクセル単位の再現」と「自由な編集」を同時に約束するツールは、フォーマットが許さないことを約束しているのです。

スキャンPDFは別の問題

スキャン画像に含まれるのは文字の絵であって、テキスト層ではありません。抽出できるものがそもそもありません。OCRなら文字を再構築でき、精度もまずまずですが、l/1やO/0のような固有の誤認識があり、OCR結果の上にレイアウトを復元するのはさらに難しくなります。正直な手順は、まずOCRを実行し、認識結果を確認してから変換することです。

実践的な選び方

内容を編集したいなら、テキスト層を変換して、後でスタイルを整え直す前提で使う方が、打ち直すよりずっと早いです。スキャンならOCRを挟んでから変換し、数字は必ず確認してください。テキストだけ欲しい場合、AIやノートアプリに渡したい場合は、プレーンテキスト抽出やMarkdown抽出の方が近道です。そして元のソースファイルが手元にあるなら、そちらを編集してPDFを再出力するのが確実です。文書からPDFへの方向こそ、いつも確実に機能する道なのです。