تحويل PDF إلى نص

من أين تأتي الكلمات، وبأي ترتيب تصل

الأحرف في ملف PDF لا تُخزَّن كنص، بل كأرقام رموز خطية (glyphs) تشير إلى خط مضمَّن، وتحويلها إلى أحرف من جديد يعتمد على جدول داخل الملف يبيّن الحرف الذي يمثله كل رمز. معظم البرامج التي تنشئ PDF تضيف هذا الجدول. وحين لا يفعل أحدها — والمتهم المعتاد هو المجموعات الجزئية المقتطعة من الخطوط التي تنتجها بعض برامج التصميم — تبدو الصفحة مثالية على الشاشة وتخرج عند الاستخراج رموزًا لا معنى لها، لأن المعلومات اللازمة لقراءتها لم تُكتب أصلًا. ولا يستطيع أي أداة استخراج إصلاح ذلك؛ فهي بيانات مفقودة لا مشكلة صعبة.

ترتيب القراءة هو ما يجب التحقق منه قبل الوثوق بالنتيجة. يخرج النص بالترتيب الذي ترسمه به الصفحة، أي الترتيب الذي صادف أن أخرجه البرنامج الذي أنشأ ملف PDF — وكثيرًا ما لا يكون هو الترتيب الذي يقرأ به الإنسان. فالصفحة ذات العمودين تُستخرج أحيانًا عمودًا أيسر وعمودًا أيمن منفصلين بشكل صحيح، وأحيانًا أسطرًا متداخلة بينهما، والأمر يتوقف كليًا على طريقة إنشائها. أما الترويسات والتذييلات وأرقام الصفحات والأشرطة الجانبية فتقع حيث رُسمت، وغالبًا في وسط النص.

ثمة بعض الشوائب الصغيرة التي يستحق التعرف عليها بدلًا من الحيرة أمامها. فالحروف المركبة (ligatures) تصل كالحرف الواحد الذي استخدمه الخط فعلًا، فقد تصل "find" كرمز واحد بدلًا من f يليه i، فيفوتها البحث البسيط عن "find". والكلمات المقسومة بشرطة عند نهاية السطر تبقى مقسومة، لأن الفاصل حقيقي في الملف. وعلامات الاقتباس المستقيمة كثيرًا ما تكون منحنية، وهذا مهم إن كان النص متجهًا إلى كود أو ملف CSV.

الصفحة الممسوحة ضوئيًا لا تعطي شيئًا على الإطلاق، والأداة تخبرك بذلك بدلًا من أن تعيد إليك ملفًا فارغًا — فلا أحرف في صورة فوتوغرافية لمستند، بل بكسلات فقط. والأمر نفسه ينطبق على النص المحوَّل إلى مخططات، وهو ما يفعله المصممون عمدًا ليُطبع الملف بشكل مطابق في كل مكان؛ فيصبح عندها رسمًا فعليًا. وكلاهما يحتاج إلى OCR لا إلى الاستخراج.

عندما تحتاج إلى شيء آخر

حين تكون الأعمدة مهمة، فإن الأمر pdftotext -layout in.pdf out.txt من Poppler أفضل من أي شيء يفعله المتصفح: فهو يعيد بناء التباعد المرئي بمسافات حقيقية، فتبقى الأعمدة أعمدة ويبقى الجدول جدولًا يمكنك قراءته. أما pdftotext -raw فيسلك الاتجاه المعاكس ويعطي ترتيب الرسم كما هو، وهو أحيانًا ما يحتاجه السكربت.

لاستخراج النص من مئات الملفات، فإن mutool draw -F txt ومكتبة pdfplumber في Python هما ما يُبنى عليه — ولا سيما pdfplumber التي تعطيك كل حرف مع إحداثياته وخطه وحجمه، فتستطيع استبعاد الترويسة والتذييل حسب الموضع لا بالتخمين. هذه هي المهمة التي لا تستطيع هذه الصفحة أداءها، وهي المهمة المهمة حين يكبر الحجم.