لماذا يخرج النص المنسوخ من ملف PDF مشوَّهاً

ملف PDF يرسم أشكالاً طباعية، لا محارف

دفق محتوى الصفحة لا يحوي نصك. وإنما يحوي أرقاماً.

كل رقم رمز. ومورد الخط الملحق بالصفحة يربط ذلك الرمز بحدّ خارجي — أي بشكل يُرسم. وهذه هي الخريطة الوحيدة التي يُلزَم ملف PDF بحملها، لأنها الوحيدة اللازمة لوضع علامات على صفحة، ولهذا يبدو المستند مثالياً.

أما النسخ فيحتاج إلى الخريطة في الاتجاه الآخر: هذا الرمز يعني المحرف U+0041، أي حرف A الكبير. وISO 32000-1 ينصّ على ذلك بالضبط، بوصفه خريطة ToUnicode ملحقة بالخط. وهي اختيارية. فالمنتِج الذي لم يعنَه إلا طباعة المستند طباعة صحيحة لم يكن لديه سبب لكتابة واحدة، ولا شيء في الملف يشكو غيابها.

والتجزئة تزيد الإخفاق سوءاً. فحين يضمّن المنتِج الأشكال الطباعية التي يستعملها المستند فعلاً وحدها، يكون حراً في ترقيمها كما يشاء — وشائعاً 1 و2 و3 بترتيب أول ورود للمحارف. وبلا خريطة ToUnicode لا تعني تلك الأرقام شيئاً البتة؛ ومعها تعني ما تقوله هي. ولماذا يبدو ملف PDF مختلفاً على حاسوب آخر يتناول التجزئة وسائر المفاجآت التي تسبّبها.

والنتيجة التي تستحق الاستيعاب: هذه خاصّة في الملف لا في حاسوبك. فتغيير القارئ أو نظام التشغيل أو إعدادات الخطوط أو موضع اللصق لن ينفع، لأنها كلها تستشير الجدول المفقود نفسه. وهي أيضاً سبب أن البحث داخل المستند لا يجد شيئاً — فالقارئ يقابل ما كتبته بالخريطة المعطوبة نفسها.

أيّها حالتك

العَرَض يحدّد السبب بموثوقية لا بأس بها، والسبب يقرّر هل يمكن فعل شيء.

والصف الأول هو الذي ينبغي استبعاده قبل كل شيء، لأنه شائع ولأنه ليس مشكلة هذا المقال. فإن لم يُبرَز شيء حين تسحب عبر الصفحة، فلديك مسح ضوئي، ولا نص هناك ليتشوّه.

وهل ملف PDF لديّ ممسوح أم نصّي يتناول التمييز بينهما في ثانيتين.

المسافات والترتيب مشكلة أخرى

هاتان تنتجان خراباً يبدو مقروءاً لا هراءً، ولهما سبب مختلف عن الخريطة المفقودة.

قد لا تكون في الملف مسافات

لا شيء يُلزم ملف PDF بأن يحوي محارف مسافة. فسطر النص يُرسم عادةً سلسلةَ سلاسل نصية بينها إزاحات عددية، والإزاحة هي ما يصنع الفجوة بين كلمتين. وهل تلك الفجوة مسافة؟ ذلك حكم يصدره المستخرِج من العرض: فإن تساهل التصقت الكلمات، وإن تسرّع انشطرت الكلمات نصفين. وهذه استدلالية، ولهذا تختلف أداتان على الملف نفسه وليست إحداهما مخطئة.

الترتيب هو ترتيب الرسم

دفق المحتوى بالترتيب الذي أصدر به التطبيق المنتِج العلامات كيفما كان. فمحرّك تخطيط يعمل عبر إطارات نصية قد يتناوب بين عمودين؛ وقالب قد يضع التذييل قبل المتن؛ وجدول قد يُرسم خليةً خليةً نزولاً بالأعمدة لا عرضاً بالصفوف. ولا شيء في ملف PDF العادي يسجّل أن هذه العلامات كانت عموداً أو حاشية أو جدولاً — فالأعمدة موجودة في قراءتك للصفحة، لا في الملف.

والمستخرِجات تعوّض بفرز العلامات حسب الموضع، وهو ما يعالج الصفحات ذات العمودين البسيطة معالجة جيدة والتخطيطات المعقّدة معالجة رديئة. وملف PDF الموسوم هو الاستثناء: فهو يحمل شجرة بنية تنصّ على ترتيب القراءة الحقيقي، والمستخرِج الذي يحترمها يصيب الجواب دون تخمين. وهذه إحدى الفوائد العملية الحقيقية للوسم، بمعزل عن متطلّب إمكانية الوصول الذي يوجد لأجله عادةً — راجع ما الذي يجعل ملف PDF قابلاً للوصول.

ما ينفع فعلاً، بالترتيب

1. جرّب مستخرِجاً آخر قبل أي شيء. PDF إلى نص يعمل في متصفحك على PDF.js ويحترم خرائط ToUnicode حيث توجد. فإن أعاد نصاً صحيحاً، فالملف لم يكن المشكلة قط وإنما سلوك النسخ في قارئك — وهذا اكتشاف في دقيقتين يستحق أن يُجرى قبل اكتشاف في ساعتين.
2. إن كانت الخريطة معطوبة فلن تنفع أي أداة تعمل على طبقة النص. فكل مستخرِج يقرأ الجدول نفسه. والتحويل إلى Word أو إلى جدول بيانات أو إلى نص عادي كلها تستشيره، فكلها تنتج الهراء نفسه في أغلفة مختلفة. وهذه هي النقطة التي ينبغي عندها الكفّ عن تجربة الأدوات.
3. تجاهل طبقة النص واقرأ الصفحة صورةً. وذلك هو التعرّف الضوئي: عرض الصفحة، والتعرّف على الأشكال، وكتابة طبقة نص جديدة. وهو الطريق الموثوق الوحيد للخروج من خريطة معطوبة، وله كلفتان — فالتعرّف يرتكب أخطاءه هو، والأداة تعمل على خادم، فيُرفع المستند. ولملفٍ سرّي يكون ذلك قراراً لا نقرة.
4. إن كانت المشكلة في التباعد أو الترتيب، فاستخرِج ثم نظّف. فجولة بحث واستبدال على النص المستخرج تصلح عادةً الأشكال المركّبة والكلمات الملتصقة أسرع من أي أداة. ولمستند تحتاج إلى مواصلة العمل عليه، يعطيك PDF إلى Word شيئاً قابلاً للتحرير لترمّمه — وهو أيضاً يعمل على خادم، وما الذي يستطيع استرجاعه وما لا يستطيع يستحق القراءة أولاً.
5. إن كنت أنت من ينتج الملف، فأصلحه من المصدر. صدّر بدل الطباعة إلى PDF، وضمّن الخطوط، ووسّم المستند. فالملف المصدَّر من معالج نصوص حديث يُنسخ منه نسخاً صحيحاً دائماً تقريباً، والملفات التي لا تفعل تكون عادةً هي التي مرّت بمشغّل طباعة في الطريق.

وأما غير البرّاق: لصفحة أو صفحتين، تكون إعادة الكتابة أسرع غالباً من كل ما سبق. ويستحق قولها جهاراً، لأن الناس يقضون ساعة في عمل مدّته خمس دقائق، لشعورٍ بأن الحاسوب ينبغي أن يقدر عليه.

ما لا تستطيعه أي أداة

• لا تستطيع إعادة بناء خريطة لم تُكتب قط. فالمعلومة ليست مخفيّة ولا مُعمّاة، بل غائبة. وكل ما يدّعي إصلاح خريطة ToUnicode معطوبة إنما يستنتج المحارف من أشكال الرموز الطباعية، وهذا تعرّف ضوئي على المحارف بتسمية أخرى.
• التعرّف الضوئي يعطيك تخميناً جديداً أفضل، لا الأصل. فأخطاؤه تتجمّع عند ما لا تحتمل الخطأ فيه أبداً — الأرقام، وأرقام المراجع، وأسماء العائلات، وكل ما لا تستطيع التحقق منه بقراءة المعنى. فراجع كل ما ستبني عليه عملاً.
• الاستخراج الصحيح ليس هو المستند بعدُ. فالجداول تعود سطوراً، والحواشي تعود في الوسط، وتسميات الأشكال تعود منفصلة عن أشكالها. فإصابة كل محرف لا تقول شيئاً عن البنية، ولن تقوله أي درجة من الدقة على مستوى المحارف أبداً.
• للنصوص من اليمين إلى اليسار والكتابات المعقّدة إخفاق ثانٍ فوق هذا. فبعض المنتِجين يكتبون العربية أو العبرية بترتيب بصري، مستعملين صور العرض لا الحروف الأساس. فتعطي خريطة محارف صحيحة نصاً صحيحاً تقنياً يُقرأ معكوساً، وإعادته إلى الترتيب المنطقي عمل قائم بذاته.

والعادة النافعة أن تختبر قبل أن تلتزم: خذ صفحة واحدة، واستخرجها، واقرأ ما يخرج. فدقيقتان في البداية تقرّران هل هذا المستند عمل نسخ ولصق أم عمل إعادة كتابة، وهذا هو القرار الوحيد الذي يهمّ هنا فعلاً.