لماذا يخرج النص المستخرج من PDF مضطربًا أو ناقصًا؟
استخرجت النص من ملف PDF فجاءت النتيجة غريبة: أسطر مقطوعة، ورقم صفحة في وسط الفقرة، ومقاطع في غير موضعها، وأجزاء اختفت تمامًا. في أغلب الحالات يعود السبب إلى طريقة بناء ملف PDF نفسه لا إلى النص. إليك أكثر الأسباب شيوعًا، وكيف يتعامل معها PDF to Text.
الأعمدة وصناديق النص
يحفظ ملف PDF مقاطع النص في مواضع محددة من الصفحة، وترتيب كتابتها داخل الملف لا يطابق دائمًا ترتيب القراءة. يتبع PDF to Text ترتيب الملف نفسه، ويقرأ الصفحات المصممة بوضوح على عمودين عمودًا بعد عمود. أما التصاميم الحرة، كالمطويات والملصقات والصفحات ذات الإطارات المتناثرة، فقد تخرج بتسلسل يختلف عمّا تقرؤه عينك.
الجداول
كل صف في الجدول يصبح سطرًا واحدًا من النص، وخلاياه مفصولة بمسافات. لا تُحفظ الأعمدة ولا يوجد تصدير إلى جدول بيانات. ففي كشف حساب بنكي مثلًا يظهر التاريخ والبيان والمبلغ في سطر واحد متتالية.
الترويسات والتذييلات وتقسيم الكلمات
الترويسة والتذييل جزء من الصفحة، لذا يبقيان في النص، فقد يظهر اسم الجهة أو رقم الصفحة بين فقرتين. وكل سطر في الصفحة يصبح سطرًا في النص، والكلمة المقسومة بشرطة في نهاية السطر تحتفظ بالشرطة، وهذا أكثر شيوعًا في الوثائق المكتوبة بلغات لاتينية.
العربية والكتابة من اليمين إلى اليسار
مشكلة معروفة عند نسخ النص العربي من ملفات PDF أن الكلمات تنقلب أو يختلط ترتيبها. يُخرج PDF to Text السطور العربية وسطور اللغات الأخرى المكتوبة من اليمين إلى اليسار بترتيب القراءة. كما يتعامل مع الهندية بخط ديفاناغاري، والصينية واليابانية بما فيها اليابانية العمودية، والنص المُدار.
خط بلا ربط Unicode
بعض ملفات PDF ترسم الحروف بخط لا يذكر ما يقابلها من محارف Unicode، لأن جدول الربط المسمّى «ToUnicode» مفقود أو تالف. بدلًا من عرض رموز بلا معنى، يترك PDF to Text هذا النص جانبًا ويعرض الملاحظة تعذّرت قراءة جزء من النص. وغالبًا ما يعطي نسخ النص من هذا الملف في برامج أخرى رموزًا غير مفهومة أيضًا.
نص حُوِّل إلى أشكال، ومنع النسخ
أحيانًا تُحوَّل العناوين والشعارات عند التصدير إلى رسوم: تبدو حروفًا لكنها أشكال. تظهر هذه الصفحات مع توضيح بأن فيها رسومًا فقط أو نصًّا حُوِّل إلى أشكال. أما إذا منع المؤلف النسخ فستظهر عبارة لا يسمح ملف PDF هذا بنسخ نصه، ولن يُعرض المحتوى ولن يُحفظ.
كيف تفحص ملفك؟
- افتح الملف في عارض PDF وحاول تحديد الجزء المفقود؛ إن لم يُحدَّد فلا توجد طبقة نصية في ذلك الموضع.
- اقرأ الملاحظة أعلى PDF to Text: فيها الصفحات التي لا تحتوي نصًّا قابلًا للتحديد وسبب كل منها.
- إن ظهرت تعذّرت قراءة جزء من النص. فالخط يفتقر إلى ربط Unicode صالح، والأفضل أن تطلب من صاحب الملف تصديره من جديد.
- إن كانت المشكلة في الترتيب أو الترويسات أو الشرطات فقط، فعدّل النص في المحرر بعد نسخه أو تنزيل ملف TXT.