لماذا يفشل نسخ النص من ملف PDF (وكيفية إصلاح ذلك)

كيف يخزن ملف PDF النصوص

صفحة ملف PDF عبارة عن مجموعة من تعليمات الرسم: "ارسم الحرف 37 من الخط F2 عند الإحداثي x=72 و y=640". لا يوجد أي مفهوم للفقرات أو الأعمدة أو حتى الكلمات في العديد من الملفات — بل مجرد حروف في مواقع محددة. عندما تنسخ نصاً، يخمن عارض الملفات كيف تشكل تلك الحروف كلمات وساطوراً الفقرات. في أغلب الأحيان يكون تخمينه صحيحاً، وحين لا يكون كذلك، تواجه المشكلات أدناه.

المشكلة 1: انعدام النص تماماً

السبب: الصفحة عبارة عن صورة — مسح ضوئي، أو صورة فوتوغرافية، أو تصدير مسطح. لا توجد حروف لنسخها. الحل: قم بتشغيل التعرف البصري على الحروف (OCR). أداة تحويل PDF إلى نص الخاصة بنا تكتشف الصفحات التي تحتوي على صور فقط وتُشغّل الـ OCR تلقائياً. راجع كيفية تلخيص ملف PDF مسحوب ضوئياً.

المشكلة 2: حروف أو رموز مشوهة

Cause: يستخدم ملف PDF خطوطاً (غالباً ما تكون مجزأة أو مخصصة التشفير) بدون خريطة ربط صحيحة من الرموز الرسومية إلى رموز Unicode. يعرف عارض الملفات كيف يرسم النص، ولكن ليس الحروف التي يمثلها. الحل: جرب أداة استخراج أخرى أولاً؛ وإذا أعطت كل الأداة رموزاً غريبة، تعامل مع ملف PDF كمسح ضوئي واستخدم الـ OCR، الذي يقرأ الأشكال بدلاً من بيانات الخط.

المشكلة 3: سطور مقطوعة وكلمات مفصولة بشرطات

السبب: في ملف PDF، كل سطر عبارة عن مقطع نصي منفصل. يؤدي النسخ إلى الاحتفاظ بفواصل السطور — والشرطات الموجودة في نهاية السطور. الحل: خطوة تنظيف تعيد دمج السطور داخل الفقرة وتزيل شرطات نهاية السطور (تقوم أداة الاستخراج الخاصة بنا بذلك).

المشكلة 4: اختلاط الأعمدة ببعضها

السبب: في التصميمات ذات الأعمدة المتعددة، تقرأ أداة الاستخراج الساذجة الصفحة بشكل مستقيم جنباً إلى جنب، سطرًا بسطر، مما يتسبب في تداخل الأعمدة. الحل: الاستخراج بترتيب القراءة، والذي يقوم بتجميع كتل النص قبل قراءتها. تفعل معظم الأدوات الحديثة ذلك، بينما لا تفعل الأوضاع التي تحافظ على التصميم بحرفيته.

المشكلة 5: مسافات مفقودة أو مسافات زائدة

السبب: تقوم بعض ملفات PDF بتحديد موقع كل كلمة — أو كل حرف — بشكل منفصل، ودون وجود مسافات حقيقية. ويجب على أداة الاستخراج استنتاج المسافات من الفجوات. الحل: محرك استخراج مختلف، أو الـ OCR كملاذ أخير.

المشكلة 6: ظهور الجداول بشكل عشوائي ومخبط

السبب: الجداول عبارة عن نصوص موضوعة في شبكة؛ ولا توجد بنية جدول فعلية في معظم ملفات PDF. الحل: للبيانات، استخدم أداة مخصصة لاستخراج الجداول؛ وللفهم، اطرح سؤالاً حول الجدول — يمكن الذكاء الاصطناعي عادةً تفسير الاستخراج صفاً بصف.

المشكلة 7: حظر النسخ

السبب: يحتوي ملف PDF على علامات إذن تطلب من عارضات الملفات تعطيل النسخ، أو أنه محمي بكلمة مرور. الحل: إذا كان لديك الحق في استخدام المحتوى، افتحه باستخدام كلمة المرور وقم بطباعته كملف PDF جديد. احترم حقوق الملكية الخاصة بالمستند.

الأسئلة الشائعة