Ich habe Heute nach einiger Arbeit eine Wichtige PDF (über OCR) in eine Doc umgewandelt. Soweit ich weiss behält die OCR wie die damit umgewandelte Doc ja die FOrmatierung der Ursprünglichen PDF.
Ich bin davon ausgegangen dass ich kleinere KOrrekturen und Fehler auf diesem Weg beheben kann ohne die Gesamte PDF neu erstellen zu müssen.
Nun stellt sich aber das Problem der Re-KOnvertierung in eine PDF. Denn bisher hab ich keinen Weg gefunden das Ursprüngliche Format der PDF wieder her zu stellen.
Gibt es hier ne Möglichkeit den Weg wieder zurück zu gehen ? Also z.b in dem ich die DOC wieder in eine OCR und von dort aus in eine PDF konvertiere ?
OCR kenne ich nur als Abk. für Optical Character Recognition. Ist das gemeint? Das ist ja kein Format, sondern nur ein Verfahren, Zeichen zu erkennen. Die Formaterkennung, z.B. Spalten, Tabellen oder Bildunterschriften dient da ja vorrangig der Erkennung der Zusammengehörigkeit von Textzeilen. Da OCR kein PDF „beherrscht“, wird es auch nur wenig davon rüberretten können, und das, was die OCR-Software an z.B. Spalten oder Tabellen erkannt hat, sieht man ja schon in der DOC-Datei. Und die PDF-Datei, die wiederrum daraus erzeugt wird, wird nicht anders aussehen können.
Damit wird ein Drucker simuliert. Das bedeutet, du öffnest die .doc Datei mit „Word“ und druckst diese aus. Aber als Drucker wählst du dann den simulierten Drucker „PDFCreator“. Dadurch wird die Datei nicht gedruckt, sondern es wird ein PDF erzeugt, welches du speichern kannst.
das Umwandeln eines PDF in ein DOC per OCR ist nur eine Krücke mit bedingten Möglichkeiten was die Beibehaltung des Formats angeht. Dieses wird nicht direkt übernommen, sondern das PDF wird vom OCR-Programm wie ein Bild betrachtet, und das OCR-Programm versucht dann zusätzlich zur Erkennung der einzelnen Buchstaben- und Wortbedeutungen auch die vermutliche Formatierung des Ursprungsdokuments nachzuahmen. Wie gesagt: Nachzuahmen! Das OCR-Programm kennt die tatsächliche Formatierung nicht, sondern kann nur versuchen sich dem anzunähern, was es meint an Formatierungen aus dem Biild zu erkennen. Dies kann bei einfachen Formatierungen recht gut funktionieren, ist aber immer fehlerbehaftet. Einzüge, Tabulatoren werden oft zu Leerzeichen, Nummerierungen zu einzelnen Zahlen, Gliederungen gehen verloren, Fußnoten sind nur noch Textboxen, … Kommt ganz darauf an, was ein bestimmtes OCR-Programm kann, und wie gut es im konkreten Einzelfall bestimmte, verwendete Formatierungen erkennen kann, oder auch nicht.
D.h. wenn man das DOC jetzt als Text bearbeitet, und dann wieder in ein PDF verwandelt, enthält dieses ausschließlich die Formatierungen aus dem DOC, die ohne zusätzliche Bearbeitung nur mehr oder weniger nahe an dem sein müssen, was in dem ursprünglichen PDF gesteckt hat. Will man dem wieder möglichst nahe kommen, ist Handarbeit angesagt, und es muss nicht sein, dass man alles wieder so hinbekommt, wie es mal war. Insbesondere wenn die ursprüngliche Datei in einem anderen Programm erstellt wurde, was andere Möglichkeiten als das Programm hat, mit dem dann die nachträgliche Bearbeitung des zurückgewonnenen DOC vorgenommen wird.
Braucht man wirklich ein identisches Dokumentenformat ist dieses Verfahren also normalerweise nicht geeignet. Man braucht hierzu die Ursprungsdatei, aus der das PDF erstellt wurde, um hierin Bearbeitungen vorzunehmen, um dann ein neues PDF zu erstellen.
BTW: Aktuelle Office-Versionen brauchen keinen getrennten PDF-Druckertreiber mehr, sondern können direkt im PDF-Format speichern.