لماذا يخرج جدول من ملف PDF مضطرباً في Excel

لا يوجد جدول في الملف

هذا هو الجزء الجدير بالتصديق قبل كل شيء آخر، لأن كل مفاجأة أخرى تتفرّع عنه.

حين يصدّر معالج نصوص أو جدول بيانات ملف PDF، فإنه يرسم الجدول. يكتب INV-1001 عند موضع، و2026-01-04 عند موضع آخر، و1,240.00 عند ثالث، ثم يرسم بعض الخطوط. والخطوط تعليمات رسم كأي تعليمة أخرى — الآلية نفسها التي رسمت شعاراً أو خطاً تحت كلمة. وليس في الملف ما يقول إن تلك القيم الثلاث تنتمي إلى صفّ واحد، ولا إن الخط بين قيمتين منها حدّ عمود لا خطّ زينة.

والاختبار سهل. خذ صفحة فيها جدولان، أحدهما بخطوط تسطير والآخر بلا خطوط، واسأل أي أداة استخراج نص عمّا في الصفحة. يعود الاثنان بالشيء نفسه: قائمة قيم، واحدة بعد أخرى، بالترتيب الذي رُسمت به تقريباً. فالجدول المسطَّر وغير المسطَّر لا يمكن التمييز بينهما في الناتج، لأن الخطوط لم تكن قطّ جزءاً من البيانات.

ويستطيع ملف PDF أن يحمل بنية حقيقية — فملف PDF الموسوم يسجّل أي العلامات جدول وأيها صفّ وأيها خلية، لأجل قارئات الشاشة في الأغلب. وهذا اختياري، ومعظم عمليات التصدير لا تنتجه، ومعظم ما ينتجه ينتجه ناقصاً. ويغطّي ما الذي يجعل ملف PDF قابلاً للوصول ماهية الوسوم ولماذا يوجد منها هذا القدر الضئيل في الواقع.

فحين يسلّمك المحوّل جدول بيانات، لم يكن قد قرأ جدولاً من المستند. بل نظر إلى أين حلّ النص وبنى على ذلك حجّة.

ما الذي يخمّنه المحوّل فعلاً

أمران، والثاني أصعب كثيراً من الأول.

الصفوف سهلة عادةً: فالنص الجالس على خط الأساس نفسه تقريباً صفٌّ واحد. وهذا ينجح في معظم الأحوال، وهو سبب أن الجدول البسيط يُحوَّل عادةً تحويلاً جيداً.

أما الأعمدة فلا بدّ أن تُستنتج من الفراغات الرأسية — أشرطة البياض التي تنزل في الصفحة حيث لا يظهر نص قطّ. اعثر على شريط بياض خالٍ من أعلى الجدول إلى أسفله، وذاك حدّ عمود. وهو استدلال جيد. وهذه هي الأمور التي تكسره:

• قيمة طويلة بما يكفي لإغلاق الفراغ. فوصف واحد طويل أو رقم واحد كبير بفواصله قد يمتدّ عبر الشريط الذي حدّد الحدّ، وقد يُقرأ كل صفّ تحته كأن فيه عموداً أقلّ.
• نص التفّ داخل خلية. فالسطر الثاني يجلس على خط أساس خاص به، فيُقرأ صفّاً مستقلاً — والخلايا بجانبه فارغة، وهكذا يصل جدول من 40 صفّاً وفيه 60 صفّاً.
• العناوين المدموجة أو الممتدّة. فعنوان موسَّط فوق ثلاثة أعمدة لا يصطفّ مع أيٍّ منها، وقد يجرّ صفّ الترويسة خارج اصطفافه مع كل ما تحته.
• أرقام مصطفّة إلى جهة بجانب نص مصطفّ إلى الجهة الأخرى. فالفراغ الرأسي ليس مستقيماً، فحوافّه مشوّشة ويحلّ الحدّ في موضع مختلف بحسب الصفوف التي أُخذت عيّنةً.
• جدول يستمرّ إلى الصفحة التالية. فكل صفحة تُعاد بناؤها على قرائنها وحدها، فتصير الترويسة المعادة صفّ بيانات في الوسط، وحدود الأعمدة المستنتجة في الصفحة الثانية لا يلزم أن تطابق الأولى.

ولا شيء من هذا عيب في محوّل بعينه. إنه مسألة إعادة بناء، وإعادة البناء تخطئ أحياناً.

ما تفعله أداة PDF إلى Excel في هذا الموقع

PDF إلى Excel مستخرِج جداول. وهذه ليست تفصيلة في طريقة بنائها، بل هي ماهية الأداة، ومعرفتها توفّر كثيراً من الالتباس:

• تبحث عن بنية جدولية وتكتب ما تجده في مصنّف. وهي لا تحاول إعادة إنتاج الصفحة.
• والنص السردي ليس جدولاً، فلا يخرج النص السردي. فصفحة فقرات لا تنتج شيئاً، وهذه هي الإجابة الصحيحة لا فشلاً.
• وتعمل على خادم المعالجة في هذا الموقع، لا في متصفحك — فهذه إحدى المهام التي لا يستطيع المتصفح أداءها فعلاً. يُرفَع الملف ويُحوَّل ويُحذَف بعد المهمة؛ والملاحظة في صفحة الأداة تذكر ما يحدث له.

وأداتان قريبتان كثيراً ما تكونان الخيار الأفضل:

• PDF إلى Word يحاول إعادة بناء الصفحة — التخطيط والعناوين والجداول بوصفها جداول Word. فإن كان مرادك المستند لا الأرقام، فابدأ هناك. ويغطّي تحويل ملف PDF إلى Word دون فقدان التنسيق ما الذي ينجو.
• استخراج النص يعمل في متصفحك ويعطيك النص الخام دون أي إعادة بناء. وللجدول الصغير، فلصق ذلك في جدول بيانات وتقسيمه بيدك أسرع في كثير من الأحيان من مجادلة محوّل، وأنت ترى بالضبط ما تعمل عليه.

حين تقول الأداة إنه لا يوجد ما يُستخرَج

تعني هذه الرسالة أن المحوّل عمل، وقرأ الصفحات، ولم يجد بنية جدولية. وهي إجابة حقيقية، ولها ثلاثة أسباب معتادة.

الصفحة صورة. فالمسح الضوئي أو الصورة الفوتوغرافية أو لقطة الشاشة الملصوقة في مستند لا تحوي نصاً على الإطلاق — إنما وحدات صورية تشبه النص. فليس ثمّة ما يحدّد له مستخرِجٌ موضعاً، فليس ثمّة ما يُعثر عليه. شغّل التعرّف الضوئي أولاً لإضافة طبقة نص، ثم حوّل. ويبيّن هل ملف PDF هذا ممسوح ضوئياً أم نص؟ كيف تعرف ذلك في ثوانٍ، ويشرح التعرّف الضوئي أم PDF إلى Word؟ أيّهما تحتاج.

ما تنظر إليه ليس جدولاً. فقائمة بأرقام مصطفّة، أو نموذج، أو تخطيط من عمودين، قد تبدو جدولاً للقارئ ولا تقدّم لمستخرِج أي بنية شبيهة بالجدول. واستخراج النص هو الأداة الصحيحة لتلك الحالات.

الجدول موضوع على نحو متراخٍ. فالتباعد الواسع المتفاوت بلا فراغات رأسية متسقة لا يعطي الاستدلال ما يتشبّث به. وتحويل تلك الصفحة وحدها ينجح أحياناً حيث لم ينجح تحويل المستند كله، لأن القرائن لم تعد تُوزَن على صفحات متخالفة.

الحصول على نتيجة أفضل

• ارجع إلى المصدر إن كان موجوداً. فإن كان ملف PDF قد جاء من جدول بيانات، فذلك الجدول لا يزال يحمل الصفوف والأعمدة الحقيقية. وكل تحويل إعادة بناء؛ أما الأصل فليس كذلك.
• حوّل الصفحات التي فيها الجدول، لا المستند كله. استخدم استخراج الصفحات أولاً. فأقلّ صفحات يعني قرائن أقلّ تناقضاً، وتعرف سريعاً إن كانت المشكلة في صفحة واحدة عويصة.
• افحص الناتج في مقابل ملف PDF قبل أن تستعمله. قارن عدد الصفوف واجمع عموداً واحداً. فالأخطاء الصامتة — عمود انزاح، أو صفّ اندمج في الذي فوقه — هي التي تُحدث الضرر، لأن لا شيء يبدو مكسوراً.
• إن كان التخطيط ميؤوساً منه، فاستخرج النص بدلاً من ذلك. فـاستخراج النص مع أداة «نص إلى أعمدة» في Excel نفسه يمنحك التحكّم في التقسيم، ولجدول دون بضع عشرات من الصفوف هو أسرع عادةً.
• الصفحات الممسوحة ضوئياً تحتاج التعرّف الضوئي، والتعرّف الضوئي على جدول تخمين مزدوج — أولاً ما هو كل محرف، ثم أين كانت الأعمدة. افحص الأرقام واحداً واحداً؛ فالرقم 6 المقروء 8 لا يبدو خاطئاً في أي مكان.
• افحص عدد الصفحات أولاً. فـعدد الصفحات وفحص الملف يذكر كذلك ما إذا كان المستند يحمل طبقة نص أصلاً، وهذا يجيب عن سؤال المسح الضوئي قبل أن تحوّل أي شيء.