لماذا يكون النص المنسوخ من ملف PDF مشوشًا دائمًا؟

تعثر في ملف PDF على فقرة مفيدة وتريد وضعها في ملاحظاتك، أو مشاركتها مع زميل، أو استخدامها مادةً لسؤال لاحق. التحديد والنسخ واللصق؛ يبدو أن الأمر لن يستغرق سوى ثوانٍ قليلة.

لكن بعد اللصق تنقسم الجملة إلى عدة أسطر، وتنقطع كلمة إنجليزية من منتصفها، وتدخل أرقام الصفحات في الفقرة. كنت تريد اقتباس فقرة واحدة، فإذا بك تضطر إلى الضغط على زر الحذف مرات كثيرة.

إذا كان ترتيب القراءة صحيحًا وكانت المشكلة في انقطاع كل سطر فقط، فابدأ بضم فواصل الأسطر المفردة داخل الفقرات، مع الإبقاء على الأسطر الفارغة بين الفقرات. يجب فحص العناوين والقوائم والواصلات في نهاية السطر كلٌّ على حدة. وإذا اختلطت جمل العمودين، فعالج ترتيب النسخ أولًا بدل حذف فواصل الأسطر مباشرة.

السطر في الصفحة ليس بالضرورة فقرة في النص

في صفحة PDF تنتقل الجملة إلى سطر جديد عندما تصل إلى الحافة اليمنى. لكن هذا الانقطاع المرئي قد يكون سببه عرض الورقة أو العمود فقط، ولا يعني بالضرورة أن الكاتب بدأ فقرة جديدة.

عند النسخ، يحاول قارئ PDF إعادة تنظيم نص الصفحة في تدفق نصي، لكنه لا يميز دائمًا بين نوعي الانقطاع. تشرح وثائق استخراج النص في pdfminer.six كيف يمكن استخدام مواضع الأحرف والمسافات بينها لتجميعها في أسطر وكتل نصية. قد يبدو المحتوى متصلًا في الصفحة، لكنه ينقسم عند نسخه.

إليك بعض الأمثلة البسيطة وما يمكن فعله معها.

صِل الجمل، واترك الفقرات منفصلة

لنبدأ بحالة يمكن ترتيبها بأمان نسبي: انقسمت كل فقرة إلى سطرين، لكن بقي سطر فارغ بين الفقرات.

النص قبل الترتيب:

We copied a paragraph
from the report into our notes.

The original page remains available
for checking names and numbers.

يمكنك وضع النص في iSomor لتنظيم النص واتباع الخطوات الثلاث التالية:

1. ألصق النص. ضع أولًا مقطعًا قصيرًا في «المحتوى الأصلي»، واترك الأسطر الفارغة بين الفقرات.
2. اختر الخيارات ونظّم النص. فعّل «دمج فواصل الأسطر المفردة» و«توحيد المسافات». اترك «وصل الكلمات المقطوعة في نهاية السطر» متوقفًا في البداية، ثم اضغط «تنظيم النص».
3. تحقق قبل استخدام النتيجة. قارن الجانبين وتأكد من عدم وصل الفقرات أو الكلمات بطريقة خاطئة، ثم انسخ النص أو نزّل ملف TXT.

ناتج الأداة:

We copied a paragraph from the report into our notes.

The original page remains available for checking names and numbers.

اختفى الانقطاع داخل الجملة، بينما بقي الفصل بين الفقرتين. كما بقيت المسافات بين الكلمات الإنجليزية، لذلك لا تلتصق paragraph وfrom ببعضهما.

في هذا المثال يوجد فاصل سطر مفرد داخل الفقرة، بينما يحدد السطر الفارغ الحد بين الفقرات. إذا لم يترك النسخ بين الفقرات سوى فاصل واحد، فقارن النص بالأصل وأضف السطر الفارغ قبل التنظيم.

لا تحذف كل واصلة في نهاية السطر

قد تنقسم كلمة إنجليزية في نهاية السطر بسبب تنسيق الصفحة. مثلًا:

The trans-
lation is ready for review.

هنا تمثل trans- وlation كلمتين مقطوعتين من كلمة واحدة. عند تفعيل «وصل الكلمات المقطوعة في نهاية السطر» تصبح النتيجة:

The translation is ready for review.

لكن التشابه في الشكل لا يعني أن المعالجة واحدة دائمًا. انظر إلى نص كانت فيه الكلمة أصلًا cross-validation:

We used cross-
validation to compare the models.

عند تفعيل الخيار نفسه ستكون النتيجة الفعلية:

We used crossvalidation to compare the models.

اختفى فاصل السطر، لكن حُذفت أيضًا الواصلة التي تحمل معنى. في هذه الحالة يجب الإبقاء على cross-validation.

لذلك من الأفضل إبقاء وصل الكلمات متوقفًا في البداية. استخدمه بعد التأكد من أن الكلمة انقسمت بسبب التخطيط. وإذا احتوت المادة على كلمات مركبة أو أرقام نماذج، فنظّم فواصل الأسطر العادية أولًا ثم راجع الوصلات واحدةً واحدة.

تحتاج العناوين والقوائم إلى بعض المساحة

ليس كل ما يظهر في سطر مستقل يجب وصله بالسطر التالي.

في المثال الآتي السطر الأول عنوان، يليه شرح وقائمة:

Preparation
Keep the original PDF first.

- Check names
- Check dates
- Check amounts

عند تفعيل «دمج فواصل الأسطر المفردة» و«توحيد المسافات»، تنتج الأداة فعليًا:

PreparationKeep the original PDF first.

- Check names
- Check dates
- Check amounts

بقيت القائمة التي تحمل العلامة -، لكن اتصل العنوان بالنص. وعندما يصبح «Preparation» نصًا عاديًا بلا حجم خط أو خط عريض، لا يكفي فاصل واحد لمعرفة أنه عنوان.

في هذه الحالة أضف سطرًا فارغًا بعد العنوان قبل التنظيم. وباستخدام الخيارات نفسها تحصل على:

Preparation

Keep the original PDF first.

- Check names
- Check dates
- Check amounts

يفصل السطر الفارغ العنوان عن النص. أما القوائم المتداخلة المعقدة والجداول والمعادلات فمن الأفضل إبقاؤها منفصلة بدل دمجها مع الفقرات العادية دفعة واحدة.

إذا كان الترتيب خاطئًا أصلًا، فلا تتعجل تنظيم فواصل الأسطر

إذا جاءت جملة من العمود الأيسر متبوعة بمحتوى من العمود الأيمن، أو ظهر رقم الصفحة في وسط الجملة، فلن يؤدي حذف فواصل الأسطر إلى تصحيح ترتيب القراءة. ارجع أولًا إلى خطوة النسخ:

• اختلاط عمودين: حاول تحديد عمود واحد أو مقطع صغير ونسخه، ثم تحقق من ترتيب النص الملصق. وإذا استمر القارئ في خلط العمودين، فجرّب طريقة استخراج أخرى.
• اختلاط الرؤوس والتذييلات وأرقام الصفحات: قارن بالصفحة واحذف فقط الأجزاء التي تأكدت من أنها دخيلة. لا تحذف كل سطر يحتوي على رقم دفعة واحدة؛ فقد يكون رقم قسم أو بيانات في النص.
• تحول الجدول إلى سلسلة نصية: تحقق من رؤوس الأعمدة والوحدات والعلاقة بين الصفوف والأعمدة قبل وضعه في ملاحظة نصية. قلة المسافات لا تعني أن الجدول استُعيد.
• تحول النص المنسوخ إلى رموز غير مفهومة: افحص طبقة النص أو ترميز الخط بشكل منفصل. لا يستطيع تنظيم التنسيق تصحيح هذه الأحرف.
• عدم وجود نص قابل للتحديد في صورة ممسوحة: تحتاج أولًا إلى OCR. وقد تحتوي طبقة OCR الموجودة أصلًا على أخطاء؛ فالقدرة على النسخ لا تعني دقة النص. تميّز وثائق pypdf بين PDF ذي نص أصلي، وملف ممسوح ضوئيًا مكوّن من صور فقط، وPDF يحوي طبقة OCR. مصدر النص مختلف في كل حالة.

قبل استخدام النتيجة المنسوخة، راجع هذه المواضع

بعد تنظيم مقطع قصير، ألق نظرة خاصة على المواضع التي قد تتغير بسهولة:

• هل بقيت بداية كل فقرة ونهايتها صحيحتين؟
• هل بقيت الكلمات الإنجليزية منفصلة، وهل ظلت الوصلات ذات المعنى في مكانها؟
• هل ما زالت العناوين والقوائم منفصلة؟
• هل الأرقام والوحدات وعلامات الطرح ورموز المعادلات كاملة وفي مواضعها؟

إذا احتوى المقطع على علامات ترقيم صينية، فافحص ما حولها أيضًا. في اختبارنا ترك دمج الفاصل بعد الفاصلة مسافة زائدة احتاجت إلى حذف يدوي. تأكد أولًا من ملاءمة الطريقة لهذا المقطع القصير قبل تطبيقها على مواد مشابهة.

إذا كنت ستقتبس المقطع، فاحتفظ بعنوان الوثيقة ورقم الصفحة أو الرابط، وتحقق من مطابقة النص للمصدر.

نظّم النص لتعود إلى ما كنت تفعله

الغرض من تنظيم النص هو تقليل فواصل الأسطر المتكررة والمسافات الزائدة، وليس ضغط كل شيء في فقرة واحدة. عندما يتصل النص الأساسي وتبقى العناوين والقوائم منفصلة، يصبح من الأسهل استخدام النتيجة لاحقًا.

iSomor يعرض المحتوى الأصلي والنتيجة جنبًا إلى جنب حتى ترى ما الذي تغيّر. بعد التحقق يمكنك العودة إلى ملاحظاتك واقتباساتك ونقاشك، والتركيز على المقطع الذي أردت استخدامه من البداية.