ملف PDF بعمودين يخرج والعمودان متشابكان
تحدّد نص بحث مصفوف بعمودين وتنسخه وتلصقه في Word، فيأتي بعد سطرٍ من أحد العمودين سطرٌ من الآخر، وهكذا مرارًا. يتضفّر نصّان مختلفان معًا، ولا يعود يُعرف أين تنتهي الجملة.
السبب أن ملف PDF لا يخزّن أي بنية للأعمدة. ما في الملف مجرد تعليمات: «ارسم هذا الرسم الحرفي عند هذه الإحداثيات». ولا يُذكر فيه أين يبدأ عمود وأين ينتهي الآخر. والنسخ واستخراج النص يمضيان في الصفحة من الأعلى إلى الأسفل سطرًا بسطر وفق موضع الرسم، فيُلتقط العمودان الواقعان على الارتفاع نفسه بالتناوب، سطرًا في كل مرة.
لذا لا بد من إعادة قراءة الأعمدة من إخراج الصفحة. يحدّد PDFIntact كتل الصفحة — النص والعناوين والجداول والأشكال — ويعيدها إلى ترتيب القراءة قبل الكتابة إلى Word وMarkdown وJSON. أما التصفيف بعمودين فلا يُعاد إنتاجه: ما تحصل عليه مستند بعمود واحد بترتيب القراءة.
جرّبها الآن
تحقّق بملفك أنت
يجري الفحص داخل متصفحك بالكامل. ولا يُرفع ملفك إطلاقًا، ولا حاجة إلى حساب. اعرف قبل الدفع كم صفحة وكم جدولًا وشكلًا يمكن استخراجه.
مثال
行の拾われ方が変わります
左右に並んだ3行ずつの段が、どの順で並ぶかを示した図です。実際の文面ではなく、拾われる順序だけを表しています。
コピーしたとき（描かれた位置の順）
左の段 1行目 右の段 1行目 左の段 2行目 右の段 2行目 左の段 3行目 右の段 3行目
PDFIntact を通したとき（読み順）
左の段 1行目 左の段 2行目 左の段 3行目 右の段 1行目 右の段 2行目 右の段 3行目
形式ごとに、どう入るか
同じ読み順でも、書き出す形式によって入り方が違います。
Word（.docx）
読み順のまま、1段の段落として並びます。段組は再現しません。
Markdown（.md）
同じ範囲を、ページごとの見出しの下に読み順で置きます。
JSON
ブロックの種別・ページ番号・ページ内の座標つきで入るので、どの段のどこから来た文章かを後から辿れます。
Excel（.xlsx）
本文は入りません。Excelに書き出すのは表とグラフだけです。
脚注・キャプション・ページ番号
これらは本文とは別のブロックとして、読み順のその位置に段落で入ります。 2段組の論文では図のキャプションが本文と分けて取れること、 書籍のスキャンでは脚注の区切り線より下が別ブロックになりページ番号が本文に混ざらないことを、 それぞれ確認しています。Wordの脚注機能には入れません。段落として入ります。
أسئلة متكرّرة
- لماذا يتشابك العمودان عند نسخ ملف PDF بعمودين؟
- لأن ملف PDF لا يخزّن العمود بوصفه عمودًا. ليس في الملف سوى «ارسم هذا الرسم الحرفي عند هذه الإحداثيات»، ولا شيء يحدّد أين يبدأ عمود وأين ينتهي الآخر. والنسخ يمضي في الصفحة من الأعلى إلى الأسفل سطرًا بسطر، فيُلتقط العمودان الواقعان على الارتفاع نفسه بالتناوب، سطرًا في كل مرة.
- كيف يُستعاد ترتيب القراءة؟
- تُحدَّد أولًا كتل الصفحة — النص والعناوين والجداول والأشكال — ثم تُعاد إلى ترتيب القراءة قبل كتابة أي شيء. أما التصفيف بعمودين فلا يُعاد إنتاجه: يتلقى Word وMarkdown مستندًا بعمود واحد بترتيب القراءة.
- وماذا عن الحواشي وتعليقات الأشكال؟
- تخرج ككتل مستقلة، في صورة فقرات، في موضعها من ترتيب القراءة. وفي اختباراتنا بقيت تعليقات الأشكال منفصلة عن النص، وصار كل ما تحت خط الحاشية كتلة مستقلة، ولم تختلط أرقام الصفحات بالنص. وهي لا تتحول إلى حواشي Word، بل تدخل فقراتٍ.
- إلى أي الصيغ يمكن تصدير النص؟
- Word وMarkdown وJSON. ويحمل JSON أيضًا نوع الكتلة ورقم الصفحة والموضع داخل الصفحة، فيمكنك تتبّع العمود والموضع اللذين جاء منهما مقطع ما. أما النص فلا يدخل Excel: تصدير Excel يحتوي الجداول والرسوم البيانية فقط.
- إن كان ترتيب القراءة صحيحًا، فهل الحروف صحيحة أيضًا؟
- هذان أمران مختلفان. قد يثبت ترتيب القراءة بينما تنهار قراءة الحروف، وقد رأينا ذلك في إحدى العيّنات. لذلك تحمل كل كتلة شريط ثقة: مقروء، أو مقدَّر، أو غير مقروء. قابِل النتيجة دائمًا بملف PDF الأصلي.