استخراج النص من PDF

ملف PDF لا يخزّن جملًا. بل يخزّن تعليمات من صيغة «ارسم هذا المحرف بهذا الخط عند هذا الإحداثي»، آلافًا منها في الصفحة الواحدة، بأي ترتيب كان مناسبًا حين كُتب الملف. فلا توجد كلمات ولا أسطر ولا فقرات — بل علامات موضوعة في مواضع فقط.

الاستخراج يعني إعادة بناء اللغة من الهندسة. تحمّل الصفحة pdf.js، وهو المحرّك نفسه الذي يستخدمه Firefox لعرض ملفات PDF، وتطلب منه عناصر النص في كل صفحة. كل عنصر يحمل سلسلة وعلامة تقول هل ينتهي سطر بعده، وتعيد الأداة بناء بنية الأسطر من تلك العلامات بدل التخمين من الإحداثيات.

هذا لا يعمل إلا إذا كان لملف PDF طبقة نصية. فالمستند الذي أنتجه Word أو صفحة ويب له طبقة. أما صورة صفحة فلا: هي صورة، ولن يجد أي قدر من الاستخراج كلمات فيها، لأنه لا توجد كلمات — ستحتاج إلى تعرّف ضوئي على الحروف، وهو عملية مختلفة وأثقل بكثير. حين يحدث ذلك تقول الأداة ذلك بوضوح بدل أن تسلّمك صندوقًا فارغًا.

وتوقّع ضياع التنسيق. فالصفحات متعددة الأعمدة تتداخل عادةً، والجداول تخرج تسلسلات مفكّكة من الخلايا، والترويسات والتذييلات تحطّ في وسط النص. ذلك متأصّل في الصيغة لا قصور في هذه الأداة: فبنية الأعمدة التي تراها لم تُسجَّل قط، بل المواضع التي تنتجها فحسب.

لديك ورقة بحثية من 12 صفحة وتريد اقتباس ثلاث فقرات من قسم المناقشة دون إعادة كتابتها.

اختر الملف واترك علامات الصفحات مفعّلة. اضغط استخرج النص؛ وتعدّ الحالة عبر يقرأ الصفحة 1 من 12 وهكذا، وينتهي سطر الحالة معروضًا فيه نحو 5800 كلمة.

وتبدأ المخرجات بـ--- page 1 ---، وتُفصل كل صفحة بالطريقة نفسها. تلك العلامات أسرع طريقة لإيجاد ما تريده في استخراج طويل: فقسم المناقشة بدأ في الصفحة 9 من ملف PDF، فمرّر إلى --- page 9 --- النص هناك مباشرةً. استخدم انسخ الكل الصق، أو نزّل ‎.txt للنص كاملًا.

ما سيبدو خاطئًا: تنسيق العمودين تداخل، فيتبع سطرًا من العمود الأيسر سطرٌ من الأيمن. ترويسة الصفحة تتكرّر كل جزء من اثني عشر نزولًا. أرقام المراجع تجلس في أسطر خاصة بها. كل هذا هو الصيغة تظهر من تحت — فالورقة لم تخزّن قط «العمود الأول، ثم العمود الثاني»، بل مواضع محارف تحلّها العين البشرية إلى أعمدة.

إذا تبيّن أن المستند مسح ضوئي بلا طبقة نصية، فإن تحويل الصفحات إلى صور يعطيك على الأقل شيئًا يمكنك تمريره على أداة تعرّف ضوئي في مكان آخر.