كيف يُعاد النص إلى ترتيب القراءة
لا يُخزَّن النص داخل ملف PDF على هيئة أسطر وفقرات، بل توضع كل كلمة أو جزء من كلمة في موضع على الصفحة، وغالبًا بالترتيب الذي رسمها به البرنامج. تقرأ الأداة كل جزء بمكتبة pdf.js، وتجمع الأجزاء التي تقع على خط الأساس نفسه في سطر واحد، وترتب الأسطر من أعلى الصفحة إلى أسفلها، وتضيف مسافة حيثما توجد فجوة ظاهرة بين جزأين. والفجوة الواسعة، كالتي بين أعمدة الجدول، تصبح عدة مسافات فيبقى الجدول مقروءًا، والفجوة الأكبر بوضوح بين سطرين تصبح سطرًا فارغًا يفصل الفقرات. وتُقرأ الصفحات المدارة بإعداد التدوير، والنصوص المرسومة بالعرض، باتجاهها الصحيح.
ملفات PDF العربية والمختلطة بين العربية والإنجليزية
يُقرأ السطر العربي من اليمين إلى اليسار، لكن الاسم الإنجليزي أو عنوان البريد أو رقم الآيبان أو رقم الهاتف داخله يحتفظ بترتيبه من اليسار إلى اليمين، ويبقى الرقمان المتجاوران بالترتيب الذي كُتبا به. كثير من ملفات PDF العربية تخزّن أشكال الحروف المتصلة (أشكال العرض) بدل الحروف العادية، فتعيدها الأداة إلى حروف عربية عادية لتتمكن من البحث في النص وتحريره. والأقواس التي تخزّنها بعض الملفات معكوسة تُعاد إلى وضعها الصحيح. وفي اختباراتنا على فاتورة عربية وجريدة رسمية من 112 صفحة، وُجد هنا 98% أو أكثر من الكلمات العربية التي وجدها برنامج pdftotext من Poppler، وبترتيب القراءة. وبعض الملفات المصممة ترسم حرفين بشكل واحد (مثل «في»)، وقد يظهر هذان الحرفان فيها معكوسين. أما الملف الذي يربط خطه الحروف برموز خاطئة فيعطي حروفًا خاطئة في كل الأدوات، وأداتنا منها.
الصفحات الممسوحة ضوئيًا وصور المستندات
المسح الضوئي أو صورة الجوال المحفوظة بصيغة PDF هي صورة للصفحة لا نص فيها. تفحص الأداة كل صفحة لا يخرج منها نص: فإن كانت تحمل صورة، تُدرج ضمن الصفحات الممسوحة لتعرف سبب فراغ ذلك الجزء من النتيجة، وإن كانت فارغة تمامًا تُتخطى. واستخراج النص من الصور يحتاج إلى التعرف الضوئي على الحروف (OCR)، وهو عمل مختلف: افتح الملف نفسه في أداة تحويل الصورة إلى نص (OCR)، فهي تقرأ الصفحات الممسوحة داخل المتصفح أيضًا. أما الملف الممسوح الذي أضاف إليه تطبيق المسح طبقة نص مخفية فيُقرأ كأي ملف نصي آخر.
نطاق الصفحات وفواصلها وملف .txt
تُقرأ كل الصفحات افتراضيًا. ولأخذ جزء من الملف فقط، اكتب صفحات ونطاقات تفصل بينها فواصل، مثل 1-3، 8، أو 10- من الصفحة العاشرة حتى النهاية، وتعمل الأرقام الهندية المستخدمة في المشرق أيضًا. ومع تفعيل فواصل الصفحات تبدأ كل صفحة بسطر مثل «--- صفحة 4 ---»، وهذا يفيد عند الاقتباس من النص أو مراجعته لاحقًا، ومع إيقافها تفصل بين الصفحات أسطر فارغة. يُنزَّل الملف بترميز UTF-8 الذي تقرؤه كل برامج التحرير الحديثة بشكل صحيح، وخيار BOM يضيف ثلاثة بايتات مخفية في بداية الملف ليتعرف برنامج المفكرة في الإصدارات القديمة من ويندوز على الترميز ويعرض العربية سليمة.
الخصوصية والحدود بصراحة
يقرأ تبويب المتصفح هذا الملف ولا يرفعه أبدًا، فتبقى العقود وقسائم الرواتب وخطابات البنوك على جهازك. الملف المحمي بكلمة مرور يجب فك حمايته أولًا بأداة فك حماية PDF. والنص المكتوب في عمودين متجاورين يُقرأ عبر العمودين سطرًا سطرًا، وخلايا الجداول تخرج نصًا تفصله مسافات لا جدول بيانات. وتعمل الملفات حتى 150 ميغابايت على معظم الحواسيب. وإن احتجت المحتوى في مستند قابل للتعديل مع تنسيقه، فاستخدم تحويل PDF إلى وورد. وللملف الممسوح ضوئيًا تقرأ أداة تحويل الصورة إلى نص الصفحات بتقنية OCR.