PDF から Word への変換が実際に何をしているか、ステップログで見る

PDF を編集可能な文書に変換することは、普通は 1 つの動作として説明されます。そうではありません。当サイトの実在の実行には 8 つの記録されたステップがあり、そのうち 2 つはパイプライン自身が回復した失敗です。このログは価格と失敗時の挙動の両方を説明してくれるので、読む価値があります。

ある成功ジョブのステップログ

inspect_document              pypdf-docx-editable     884 ms
  extract_document_content     pypdf-docx-editable     644 ms
  render_document_page         pypdf-docx-editable     482 ms  error: unsupported_renderer
  convert_to_editable_document compact_spacing         424 ms  error: strategy_requires_optimization
  convert_to_editable_document (retry)                1357 ms
  validate_editable_document                           4289 ms
  optimize_document_candidate  compact_spacing        1040 ms
  validate_editable_document (after optimise)          3875 ms

このうち 2 行はエラーで、それでもジョブは成功しました。それが設計です。あるステップのエラーはループが使う情報であり、文書への判決ではありません。

なぜ自分の出力をレンダリングするのか

最も重要なステップは validate_editable_document で、最も時間がかかります。この実行では 4.3 秒でした。やっていることは、生成した DOCX を画像に戻し、元のページと比較することです。テキストの網羅率、欠けた数値、表構造、結合セル、罫線、ページ外のテキスト。

ここが「変換が走った」と「変換が使えるものを出した」の違いです。ファイルを書いたら止まるパイプラインは、そのファイルが正しいか知りません。DOCX の XML を読むだけの検査は段落の存在を確認できますが、レンダリングされたページではテキストが半分失われているかもしれません。戻してレンダリングすることが、それを知る方法です。

3 番目の unsupported_renderer エラーは同じ考えの正直な形です。試したレンダラーでは処理できなかったので、検証を飛ばして出力を確認済みのふりをするのではなく、そう告げます。

修復ループ

検証が問題を見つけても、パイプラインはすぐには失敗しません。候補を最適化し——この実行では溢れた内容を収める compact_spacing 戦略——もう一度検証します。ログの 2 回の変換は同じ文書を異なる戦略で 2 回変換したもので、最初の試行は 2 回目の前に最適化ゲートで明示的に却下されています。

当サイトで成功ジョブが 35〜70 秒、失敗が 12〜32 秒なのはこのためです。失敗はループを中断し、成功は最後まで走ります。少なくとも 1 回の完全な再レンダリングと比較を含みます。遅い経路に支払うことが要点です。速い経路が生むのは、問題なさそうに見えて 1 列欠けている文書です。

ここでの失敗の意味

当サイトに記録された変換は 7 件が失敗、9 件が成功でした。7 件の失敗はすべて同じエラーコード agent_execution_failed で、課金やネットワークの問題ではなく修復試行を使い切ったことを意味します。いずれもファイルは公開されず、予約クレジットは解放されました。

再試行すべきか判断するとき、この区別は重要です。ここでの失敗はサービス停止ではなく文書についての記述です。同じファイルをもう一度上げても通常は同じように失敗します。より鮮明なスキャン、あるいは撮影した写真ではなくデジタル PDF に変えることで結果が変わります。

成功したものにも残る警告

当サイトの成功した変換はすべて layout_approximate 警告を伴います。これは欠陥の言い訳ではありません。固定レイアウトのページを流動的な文書に変換する以上、フォントと間隔は元と一致できません。元には保持できる再流動構造がなかったからです。ページ画像なら完全一致できますが、何も編集できなくなり目的を失います。

どちらが必要かを把握することが判断の大部分です。見た目が同一でなければならないなら PDF が必要で、Word ではありません。編集可能でなければならないなら近似レイアウトが代償で、有用な問いはテキスト・数値・表が生き残ったかになります。それはまさに検証ステップが測っているものです。