تسحب المؤشّر فوق فقرة فلا يُضاء شيء. أو يبتلع مستطيل أزرق الصفحة كلّها دفعةً واحدة. أو يُضاء النصّ كما ينبغي، فتلصقه، فيخرج ƒ‡ˆ‡ ››•›. ثلاثة أعطال مختلفة، وثلاثة أسباب مختلفة، وعلاج أحدها لا يفعل شيئًا للآخرين.
مستندان يبدوان متشابهين
صفحة PDF يمكن أن تُبنى بطريقتين، وعلى الشاشة لا يفترق بينهما شيء.
ملف PDF مكتوب — مصدَّر من وورد أو من متصفّح أو من أداة تصميم — يخزّن تعليمات. ضع الرسم رقم 68 من هذا الخطّ في هذا الموضع، ثم الرسم 82، ثم الرسم 82 مرّة أخرى. الصفحة مجموعة أوامر رسم، والحروف موجودة فيها بيانات.
ملف PDF ممسوح ضوئيًّا يخزّن صورة. وضع أحدهم ورقة على لوح زجاجي، فكانت النتيجة صورة واحدة، JPEG غالبًا، ممدودة لتملأ الصفحة. لا نصّ في الملف. فيه صورة لنصّ، وذلك شيء آخر تمامًا، والفرق غير مرئي حتى تحاول تحديد شيء.
كيف تعرف في خمس ثوانٍ
جرّب تحديد كلمة واحدة. فإن لم يُضأ شيء، أو أُضيئت الصفحة كلّها كتلةً واحدة، فهو مسح ضوئي. أما إن أُضيئت الكلمات فرادى، ففيه نصّ حقيقي.
الفحص الثاني هو حجم الملف. صفحة نصّ مكتوب 10–60 كيلوبايت عادةً. أما الصفحة الممسوحة بدقّة عادية فمن 300 كيلوبايت إلى 2 ميغابايت، لأنها صورة. مستند من عشرين صفحة بحجم 30 ميغابايت مُسح ضوئيًّا؛ والمستند نفسه مكتوبًا يكون دون ميغابايت واحد.
الثالث أن تكبّر إلى 400٪. النصّ المكتوب يبقى حادًّا عند أي تكبير، لأنه يُرسم من خطّ بأي قياس تطلبه. أما المسح فيتحوّل إلى بكسلات ظاهرة، وكثيرًا ما ترى نقط الورق الرمادية حول الحروف.
حين يكون النصّ موجودًا ويخرج خطأً رغم ذلك
هذه هي الحالة المحبطة، لأن التحديد يعمل — الكلمات تُضاء واحدةً واحدة، فالنصّ في الملف بيّن — ثم يخرج اللصق كلامًا فارغًا رغم ذلك.
السبب أن الأرقام المخزّنة في الصفحة ليست حروفًا. هي مواضع في خطّ: الرسم 68 هو ما يقول جدول الخطّ إنه الثامن والستّون، وفي خطّ مجتزأ، مضمَّن لتوفير المساحة، يكون ذلك الترتيب اعتباطيًّا. قد يكون منتج الملف أعاد ترقيم الرسوم حتى تأتي المستعملة فعلًا أولًا.
ليكون ذلك قابلًا للعكس، يُفترض أن يحمل ملف PDF خريطة ToUnicode — جدولًا صغيرًا يقول إن الرسم 68 يعني الحرف D. هي اختيارية. أدوات كثيرة تُسقطها، خصوصًا مسارات LaTeX القديمة، وبعض مصدّرات CAD، وكل ما يضمّن خطًّا باجتزائه دون أن يكتب الخريطة من جديد.
بدون ذلك الجدول، يرسم برنامج العرض الصفحة رسمًا سليمًا، لأن الرسم لا يحتاج إلا أشكال الرسوم. أما النسخ فيحتاج الخريطة، ولا سبيل إلى إعادة بنائها من الملف. النصّ موجود، وصحيح، وغير مقروء لآلة إلى الأبد.
للعطل نفسه صورة أخفّ: الخريطة موجودة لكنها خاطئة في الحروف الموصولة. انسخ مستندًا مكتوبًا بخطّ serif فتختفي fi وfl أو تتحوّلان إلى محارف غريبة، لأن ذينك الزوجين يُرسمان رسمًا واحدًا ولم يردّه أحد إلى حرفين.
ماذا تفعل بكلّ حالة
نصّ حقيقي وخريطة صحيحة. لا خطب هنا؛ استخرجه. المستخرج يسحب السلاسل بترتيب القراءة، وذلك أسرع وأوثق من التحديد يدويًّا عبر فواصل الصفحات — ويعطيك المستند كلّه لا الجزء الذي نجحت في السحب عليه.
نصّ حقيقي وخريطة ناقصة. الاستخراج يعيد الكلام الفارغ نفسه الذي أعطته الحافظة، لأنه يقرأ الأرقام نفسها. الطريق الوحيد أن تعامل الصفحة صورةً وتقرأها ضوئيًّا، وهو الجواب نفسه في حالة المسح.
مسح ضوئي. لا شيء ليُستخرج، فلا بدّ من التعرّف على النصّ من الصورة. ذلك هو التعرّف الضوئي على الحروف.
ما يكلّفه التعرّف الضوئي فعلًا
التعرّف الضوئي على الحروف ينظر إلى الأشكال ويخمّن الحروف. على مسح نظيف بدقّة 300 نقطة في البوصة لصفحة مطبوعة بلغة له نموذج فيها، يكون جيّدًا جدًّا — دقيقًا بما يجعل الأخطاء نادرة وظاهرة.
يتدهور بسرعة خارج ذلك. صورة ملتقطة بزاوية مائلة، أو فاكس، أو صفحة عليها أثر فنجان قهوة، أو خطّ يد، تعطي ناتجًا عليك أن تقرأه أمام الأصل على أي حال. الجداول تفقد بنيتها، لأن المتعرّف يرى صفوف محارف لا شبكة. كثيرًا ما يتداخل العمودان كلامًا فارغًا ما لم يُكتشف التخطيط أولًا.
هو كذلك العمل الوحيد في هذا الموقع الذي يحتاج تنزيلًا فعلًا: نموذج التعرّف الإنجليزي نحو ميغابايت، واللغات الأخرى أكثر. ذلك ثمن حقيقي يُدفع مرّة واحدة، لا سبب لإرسال المستند إلى خادم — فالتعرّف نفسه يعمل في المتصفّح على خير ما يكون متى وُجد النموذج.
الحالة التي ليست مشكلة تقنية
ملف PDF قد يحمل علامة صلاحيات تقول إن النسخ غير مسموح. برامج العرض التي تحترمها تُعطّل أمر النسخ. النصّ موجود، والخريطة سليمة، والملف يطلب من البرنامج بأدب ألّا يعطيك إيّاه.
يستحق أن تعرف ما تلك العلامة وما ليست. هي ليست تشفيرًا للمحتوى — ففي الحالة الشائعة بيانات الصفحة غير مشفّرة إطلاقًا، وكل مستخرج لا ينفّذ الفحص يقرأها مباشرة. أما هل ينبغي لك ذلك، فسؤال عن المستند لا عن الصيغة، والصيغة لن تعينك على الجواب.
الخلاصة
حدّد كلمة واحدة. فإن أُضيئت، فالنصّ حقيقي — استخرجه بدل السحب. أما إن كان اللصق كلامًا فارغًا، فالملف تنقصه خريطة ToUnicode ولن يفعل أي مستخرج أفضل؛ تعرّف عليه صورةً بدل ذلك. أما إن لم يُضأ شيء، فهي صورة لصفحة، وكانت كذلك دائمًا.
الفحوص الثلاثة كلّها وصفها أطول من إجرائها، وإجراؤها أولًا يوفّر العشرين دقيقة التي يقضيها الناس عادةً في إعادة كتابة مستند كان سيُنسخ نظيفًا.