המרת PDF לוורד בעברית — למה הטקסט מתהפך, ומה באמת נשמר
המרתם PDF לוורד וקיבלתם "םולש", מספרים במקום הלא נכון או פסקה שנשברה לעשר שורות. הסיבה היא לא באג בממיר אחד מסוים — היא באופן שבו PDF שומר טקסט. כשמבינים את זה, ברור מה אפשר לשחזר ומה לא.
מאת כלים אונליין פורסם:
רוצים לדלג ישר לכלי?
הטקסט של PDF לקובץ Word, עם עברית בסדר הנכון. הכול קורה בדפדפן שלכם — הקובץ לא נשלח לשום שרת.
המרת PDF לוורדמה יש בתוך PDF — ומה אין
קובץ Word הוא רצף של פסקאות: הטקסט שמור בסדר שבו קוראים אותו, וכל פסקה יודעת אם היא מימין לשמאל. התוכנה מחליטה בעצמה איפה לשבור שורה.
קובץ PDF הפוך לגמרי. הוא תיאור של דף מודפס: “צייר את הגליף הזה בנקודה הזאת, ואת הבא בנקודה ההיא”. אין בו פסקה, אין בו שורה, ולרוב גם אין בו סימון של כיוון. כל ממיר PDF לוורד — כולל Word עצמו — צריך לנחש מחדש מה היה הטקסט: לקבץ אותיות לשורות לפי הגובה שלהן, לסדר אותן לפי המיקום, ולהחליט אילו שורות שייכות לאותה פסקה.
בעברית יש לניחוש הזה עוד שלב: לקבוע את סדר הקריאה. הדף מצויר משמאל לימין, והעברית נקראת מימין לשמאל.
למה העברית יוצאת הפוכה
יש שתי דרכים לשמור משפט עברי בקובץ: בסדר לוגי — לפי סדר הקריאה — או בסדר ויזואלי, לפי הסדר שבו האותיות מופיעות על הדף משמאל לימין, כלומר כבר הפוך.
יוצרי PDF שונים עושים את זה אחרת. בבדיקות שערכנו, גם הדפסה ל־PDF מדפדפן כרום וגם ייצוא ל־PDF מ־Word שומרים את האותיות בסדר שעל הדף — כרום כמעט מילה־מילה, Word ביטוי־ביטוי — וקורא ה־PDF צריך להפוך אותן בעצמו. כשהקורא לא מזהה שמדובר בעברית, או כשהקובץ נוצר במערכת ישנה שעושה משהו שלישי, מתקבל “םולש”.
עוד מקרה, נפוץ בקבצים ישנים: גופן עברי שהאותיות בו ממופות למקומות של אותיות לטיניות. ההעתקה מוציאה אז “ùìåí” — ג׳יבריש שהוא בעצם עברית בקידוד Windows-1255, ולרוב גם בסדר הפוך. ההסבר המלא על שתי התקלות נמצא במדריך למה העברית יוצאת הפוכה כשמעתיקים מ־PDF.
מספרים ומילים באנגלית
בתוך משפט עברי, “Microsoft Word” ו־“03-1234567” נקראים משמאל לימין. ממיר שהופך את כל השורה בבת אחת הופך גם אותם, וממיר שלא הופך כלום משאיר את העברית הפוכה. צריך להפוך רק את מה שעברי ולהשאיר את השאר — וגם להעביר למקום הנכון את הנקודה שבסוף המשפט, שעל הדף נמצאת משמאל למספר.
גם בקובץ ה־Word עצמו יש כאן מלכודת: הכיוון נקבע גם לפי האופן שבו הטקסט מחולק לקטעים. בבדיקות שלנו, מספר טלפון עם מקף שנשמר כקטע לטיני נפרד בתוך פסקה עברית הוצג ב־Word כ־“1234567-03”. Word עצמו שומר מספרים כאלה בתוך הקטע העברי.
מה ממיר יכול לשחזר, ומה לא
משתחזר היטב: הטקסט עצמו, סדר הקריאה, הפסקאות (שורות שנשברו באמצע משפט מתחברות חזרה), כותרות לפי גודל הגופן, מעברי עמוד, ופריטי רשימה שמתחילים בתבליט או במספר.
משתחזר חלקית: טבלאות. כשהתאים מיושרים בעמודות ברורות אפשר לבנות מהן טבלת Word; טבלה עם תאים ממוזגים או טקסט שנשבר בתוך תא יוצאת לרוב כטקסט מופרד.
כמעט לא משתחזר: מסמכים בשני טורים, תיבות טקסט, טקסט על גבי תמונה, הערות שוליים, והגופנים והצבעים המקוריים. גם הדגשה (בולד) לא תמיד אפשר לזהות — ב־PDF היא לפעמים גופן אחר, ולפעמים אותה מילה שצוירה פעמיים בהיסט קטן.
לא משתחזר בכלל: טקסט בסריקה. PDF סרוק הוא אוסף תמונות של דפים, ואין בו אותיות. לזה צריך זיהוי תווים (OCR), שהוא תהליך נפרד לגמרי — ועם שיעור טעויות שתלוי באיכות הסריקה.
לפתוח את ה־PDF ישירות ב־Word
אם יש לכם Word למחשב, אפשר פשוט לפתוח בו את ה־PDF דרך “קובץ ← פתיחה”. לפי Microsoft, Word יוצר עותק של ה־PDF וממיר אותו למסמך Word, והקובץ המקורי נשאר כמו שהוא. Microsoft גם מציינת שהתוצאה עלולה לא להיראות בדיוק כמו ה־PDF, ומונה רכיבים שידועים כבעייתיים בהמרה — בהם טבלאות עם מרווח בין תאים, מסגרות, הערות שוליים שמתפרסות על יותר מעמוד אחד והערות סיום. עמוד שרובו גרפיקה עשוי להיכנס כולו כתמונה שאי אפשר לערוך.
בסריקות זה עובד פחות טוב: בקהילת התמיכה של Microsoft מסבירים ש־Word ב־Microsoft 365 מנסה להמיר כל PDF שנפתח בו למסמך שאפשר לערוך, ושההמרה הזאת עובדת סביר בקובץ שיש בו טקסט אבל לא טוב בקובץ סרוק. לסריקה כדאי כלי OCR ייעודי, ולהגיה את התוצאה.
היתרון של Word הוא שהוא מנסה לשחזר גם את מראה הדף. החיסרון הוא שצריך אותו מותקן, והתוצאה בעברית משתנה מקובץ לקובץ.
ההמרה שלנו — ומה היא לא עושה
כלי המרת ה־PDF לוורד מתמקד בטקסט ולא בעיצוב. הוא בונה כל שורה מחדש לפי המיקום שלה על הדף, מסדר אותה מימין לשמאל כשמילים באנגלית ומספרים נשארים בכיוון שלהם, ובודק כל שורה לחוד אם העברית בה הפוכה — באותו מנגנון של כלי תיקון העברית ההפוכה. בקובץ שהוא כותב כל פסקה עברית מסומנת כפסקה מימין לשמאל, עם גופן שיש בו עברית.
ההמרה כולה רצה בדפדפן, והקובץ לא נשלח לשום מקום. כמה מגבלות שכדאי להכיר מראש:
- אין OCR. קובץ סרוק יקבל הודעה ברורה ולא מסמך ריק. כדי להעביר עמודים סרוקים לתוכנת OCR באיכות מלאה, אפשר להמיר את ה־PDF לתמונות.
- העיצוב פשוט. פסקאות, כותרות, רשימות, טבלאות פשוטות ומעברי עמוד — בלי הגופנים, הצבעים והתמונות של המקור.
- עד 500 עמודים בכל פעם. קובץ ארוך יותר אפשר לפצל ולהמיר בחלקים.
אם כבר הדבקתם טקסט הפוך בוורד ורק רוצים לתקן אותו, אין צורך בהמרה: תיקון העברית ההפוכה מקבל את הטקסט ומחזיר אותו בסדר הנכון.
מה לבדוק אחרי כל המרה
גם המרה טובה היא שחזור, לא העתק. לפני שמשתמשים בקובץ:
- מספרים, תאריכים וסכומים — השוו מול ה־PDF, במיוחד בחוזים ובחשבוניות.
- טבלאות — ודאו שכל ערך נשאר בשורה ובעמודה שלו.
- כותרות ופסקאות — כותרת מודגשת בגופן רגיל עלולה להיכנס כפסקה רגילה; שורות של כתובת או של שיר עשויות להפוך לפסקאות נפרדות.
- סוגריים ומרכאות — בעברית הם המקום הראשון שבו סדר הפוך מסגיר את עצמו.
מתי צריך בעצם את הקובץ המקורי
כל ממיר משחזר ניחוש. אם המסמך נוצר ב־Word והוא בידיים של מישהו — עורך דין, מעסיק, רשות — הבקשה הפשוטה “אפשר לקבל את הקובץ ב־Word?” חוסכת את כל השרשרת. זה נכון במיוחד למסמך שתמשיכו לעבוד עליו לאורך זמן, למסמך עם טבלאות מורכבות או עיצוב מחייב, ולטופס שצריך להיראות בדיוק כמו המקור.
מקורות
- Opening PDFs in Word — Microsoft Support — Word יוצר עותק ממיר, התוצאה עשויה להיראות אחרת, ורשימת הרכיבים הבעייתיים בהמרה
- How to put a scanned PDF file into a Word doc — Microsoft Q&A — ההמרה האוטומטית של PDF ב־Microsoft 365, ולמה היא לא מתאימה לקובץ סרוק