ما الذي ينجو حين يصير ملف PDF ملف Word

فهم السبب يدلّك على الأداة التي تختارها وعلى القدر الذي تنتظره منها.

ملف PDF مطبوعة لا مستند

ما يوجد داخل ملف PDF قائمة طويلة من التعليمات تقول اطبع هذا الحرف عند 72 و680. ولا يُسجَّل في أي موضع من الملف أين انتهت الفقرة، ولا أي سطرين كانا في الصف نفسه من جدول.

تُرمى هذه المعلومات في اللحظة نفسها التي يُصدَّر فيها المستند إلى PDF، تماماً كما لا تحتاج إليها ورقة مطبوعة. فإعادته إذن إعادة بناء لا تحويل: يُستنتج الشكل الأصلي من مواضع الحروف.

هذه الجملة وحدها تشرح ما تبقّى. الجدول يخرج معوجّاً لا لأن الأداة أساءت قراءته، بل لأنه لم يكن ثمة جدول يُقرأ أصلاً، وكان لا بد من استنتاجه من الموضع وحده.

ما يمكن استنتاجه وما لم يوجد قط

الفصل بين هذين يدلّك على ما يمكن أن يتحسّن وما لا يمكن.

• قابل للاستنتاج. فواصل الفقرات، من تباعد السطور ومن حيث تتوقف السطور. والجداول، من بقاء الخلايا مصطفّة إلى الأسفل. والعناوين، من خط أكبر من المتن. وكلما تحسّنت الخوارزميات ازدادت الدقة.
• قابل للاستخراج مباشرة. الحروف نفسها، وأي صورة أو ختم مطبوع على الصفحة. فهذه كائنات حقيقية داخل الملف ولا تحتاج إلى تخمين.
• لم يُسجَّل قط. أي نمط من أنماط Word استخدمه الأصل، وأين كان في الجدول خلايا مدمجة، وكم نقطة من التباعد فصلت بين الفقرات. لا أداة تستطيع إنتاج ذلك.

احذر أدوات التحويل التي تعيد إنتاج التنسيق بحذافيره

تعلن بعض الأدوات عن ناتج يطابق الأصل بكسلاً ببكسل. تفتحه فتجده مطابقاً فعلاً. ثم تحرّر سطراً واحداً فينهار المستند.

بلوغ ذلك يعني وضع النص في مئات من مربعات النص المثبّتة عند إحداثيات ثابتة بدل وضعه في فقرات. والمستند المبني هكذا يشبه الأصل لكن لا يمكن العمل فيه. احذف حرفاً واحداً فيتغير ذلك المربع وحده بينما يظل كل ما حوله جامداً.

التحويل موجود كي تستطيع التحرير. والناتج الذي لا تستطيع تحريره فقد غايته. وإن كان الهدف أن يبدو مطابقاً، فلم يكن ثمة سبب للتحويل من الأساس.

السبب الحقيقي لخروج الجداول خاطئة

كثيراً جداً ما تخلو جداول PDF من أي خطوط. وحيث توجد، تكون مرسومة على طبقة غير طبقة النص، غير مرئية لأي شيء يستخرج الكلمات. ولهذا تفشل المقاربات القائمة على العثور على الخطوط بهذا القدر من التكرار.

فالمقروء إذن هو الموضع: الخلايا التي تقف حوافها عند الموضع نفسه عبر عدة أسطر تُعدّ جدولاً. وأضعف ما تكون هذه الطريقة عند الخلايا الفارغة. فالخلية الفارغة لا تترك أثراً في الملف، فيبدو ذلك الصف ناقصاً خلية وينزاح كل ما بعده خانةً واحدة.

والخلايا المدمجة كذلك. عينك ترى خليتين ملتحمتين، والملف يحتوي على قطعة نص واحدة تقف إلى اليسار قليلاً عن جاراتها.

لا أداة تحوّل ملف PDF ممسوحاً ضوئياً

ملف PDF الصادر عن ماسح مكتبي صورة واحدة لكل صفحة. عيناك تريان حروفاً، والملف لا يحتوي على حرف واحد. وهذا ليس حدّاً للأداة بل غياباً في المصدر.

يستطيع التعرّف الضوئي على الحروف أن يصنع نصاً من الصورة. لكن ذلك تعرُّف لا استخراج، وتختلط به أخطاء مثل قراءة الصفر حرف O. وفي عقد أو استمارة تُقدَّم، يكون هذا الخطأ باهظاً. وطلب الملف الأصلي من الجهة المُصدِرة أسرع في العادة.

باختصار

السؤال الذي يُطرح على أداة التحويل ليس إلى أي حد تطابق، بل هل تستطيع تحرير ما يخرج منها. وحين لا يكون الناتج مثالياً، فإن قدرتك على تمييز حدّ الأداة من حدّ التنسيق تعفيك من تبديل الأدوات بلا طائل.