تحويل PDF إلى Word

صفحة PDF ليس لها مفهوم "الفقرات" أو "العناوين" بالطريقة التي يملكها مستند Word — داخليًا هي مجموعة من مقاطع نصية موضوعة، كل واحد يقول فعليًا: "ارسم هذه الأحرف عند هذا الإحداثي x وy بالضبط، بهذا الخط." لا يوجد مخطط تفصيلي، ولا بنية مستند، ولا حتى مفهوم موثوق لمكان انتهاء سطر وبداية آخر؛ يعيد عارض PDF بناء المظهر البصري للصفحة برسم كل مقطع نصي عند موضعه المذكور، ويدرك القارئ أسطرًا وفقرات في النتيجة فقط لأن المواضع تصادف أنها تصطف بهذه الطريقة. تحويل PDF إلى مستند قابل للتحرير يعني العمل بالاتجاه المعاكس من ذلك: تجميع مقاطع النص التي تتشارك موضعًا رأسيًا متقاربًا في أسطر، ثم ملاحظة أين تكون الفجوة الرأسية بين سطر والتالي كبيرة بشكل غير معتاد — إشارة إلى انتهاء فقرة للتو — واعتبار ذلك فاصل فقرة. هذا في جوهره إعادة بناء من بيانات المواضع، لا قراءة لبنية مستند مخفية، وهذا بالضبط سبب استحالة استعادة التنسيق الأصلي: لم تكن هناك معلومات تنسيق مُهيكلة في الملف لاستعادتها أصلًا، فقط أماكن وُضع فيها الحبر.

من السهل افتراض أن "قراءة PDF" و"قراءة صفحة ممسوحة ضوئيًا" هي نفس المهمة بنفس الأداة، لكنهما تحلان مشكلتين مختلفتين حقًا. استخراج النص، وهو ما تفعله هذه الأداة، يقرأ نصًا يُخزِّنه ملف PDF بالفعل كنص — رموز أحرف ومواضع، نفس البيانات التي يستخدمها عارض PDF ليتيح لك تحديد ونسخ جملة. أما OCR (التعرف الضوئي على الحروف) فيحل مشكلة أصعب بكثير: النظر إلى صفحة هي فقط صورة، بلا بيانات نصية في أي مكان بالملف، واستخدام التعرف على الصور لتخمين الحروف والكلمات التي تصورها الصورة. هذا مسعى أثقل جوهريًا — يتضمن معالجة صور، ونماذج تعرف على الحروف، وعدم يقين متأصل حول ما هي "الإجابة الصحيحة" أصلًا، ولا شيء من ذلك ينطبق عندما يكون النص موجودًا بالفعل كنص. تضمين محرك OCR كامل في أداة جاذبيتها الكاملة هي العمل فورًا داخل متصفحك سيقايض السرعة والبساطة اللتين تجعلان هذه الأداة مفيدة، من أجل أقلية ملفات PDF التي تصادف أنها مسوحات ضوئية. ملف PDF ممسوح ضوئيًا وصورًا بحتة هو حالة حقيقية وشائعة، وتقول هذه الأداة ذلك بوضوح في نتائجها بدلًا من إنتاج مستند فارغ بصمت — لكن حل ذلك بشكل صحيح يعني اللجوء إلى أداة OCR مخصصة، لا مطّ هذه الأداة أبعد مما تفعله بصدق.

يمكن لمحوّل أكثر طموحًا أن يحاول إعادة إنشاء تخطيط الصفحة الأصلي — وضع النص في صناديق عند إحداثيات تقريبية صحيحة، وتخمين الأعمدة، ومحاولة إعادة إنتاج الخطوط. عمليًا، هذا ينتج مستندًا يبدو مشابهًا سطحيًا للأصل لكنه شبه مستحيل التحرير فعليًا: نص يجلس في صناديق عائمة منفصلة بدلًا من فقرات متدفقة، يعيد الصياغة بشكل سيئ بمجرد إضافة أو حذف أي شيء، ويقاوم المستخدم في كل تعديل. إعادة صياغة النص المستخرج في فقرات عادية بدلًا من ذلك — النهج الذي تتبعه هذه الأداة — تتخلى عمدًا عن التشابه البصري مقابل مستند يتصرف بالطريقة التي يُفترض أن يتصرف بها مستند Word: اكتب في نهاية فقرة فتلتف بشكل طبيعي، احذف جملة فتعيد بقية الصفحة الصياغة بالطريقة التي عملت بها معالجات النصوص دائمًا. بالنسبة للهدف المشترك المتمثل في الحصول على كلمات PDF في مستند قابل للتحرير — لاقتباسها أو مراجعتها أو إعادة استخدامها أو ترجمتها — هذه هي المقايضة الصحيحة، وهذا سبب عدم محاولة هذه الأداة أن تكون أداة حفظ تخطيط ترتدي زي محرر نصوص.