استخرجت نص نشرة بعمودين من PDF فتداخلت أسطر العمودين، ليش وكيف أتعامل معها؟
لأن الأداة تبني الأسطر حسب الارتفاع في الصفحة: كل قطع النص الموجودة على المستوى نفسه تقريبًا تصبح سطرًا واحدًا، مرتبة من اليسار إلى اليمين. فسطر من العمود الأيسر وسطر من العمود الأيمن على الارتفاع نفسه يُضمّان معًا. في المستندات ذات العمودين توقع أن تفصلهما بيدك، أما المستندات ذات العمود الواحد فتخرج بترتيب قراءة نظيف.
ما الذي يخزنه ملف PDF فعلًا؟
ملف PDF لا يعرف شيئًا اسمه عمود أو فقرة. هو يخزن قطعًا من النص، ولكل قطعة موضع على الصفحة: كم تبعد عن اليسار وكم تبعد عن الأسفل. ترتيب هذه القطع داخل الملف يعتمد على البرنامج الذي أنشأه، وكثيرًا لا يطابق ترتيب القراءة. لذلك تعيد الأداة بناء الأسطر من المواضع نفسها، لا من ترتيب التخزين.
مثال محسوب على نشرة بعمودين
هذه نتيجة قاعدة بناء الأسطر في الأداة على نشرة فيها عمود أيسر عن الإرجاع وعمود أيمن عن التوصيل، وكل سطر في العمود الأيسر يقابله سطر في الأيمن على الارتفاع نفسه:
العمود الأيسر: Returns accepted within ثم تحته 14 days of delivery.
العمود الأيمن: Delivery takes 3 to 5 ثم تحته working days in Riyadh.
السطر الأول المستخرج: Returns accepted within Delivery takes 3 to 5
السطر الثاني المستخرج: 14 days of delivery. working days in Riyadh.
كل سطر مستخرج صحيح من حيث الموضع، لكنه يخلط جملتين. لاحظ أن المسافة بين العمودين تتحول إلى مسافة واحدة، فلا توجد علامة واضحة تفصل بينهما.
كيف تتعامل مع النص المختلط؟
- في استخراج النص من PDF استخرج الصفحات ذات العمودين وحدها عبر خانة الصفحات، حتى لا تفصل النشرة كلها إن كانت بقية الصفحات بعمود واحد.
- اختر «كل صفحة على حدة» لتعرف أين تبدأ كل صفحة.
- انسخ النص إلى محرر، وافصل كل سطر عند النقطة التي ينتهي فيها العمود الأيسر، ثم انقل الأنصاف اليمنى إلى الأسفل.
- إن كان العمودان متساويين في عدد الأسطر فالعمل سريع، لأن كل سطر مستخرج نصفه من هنا ونصفه من هناك.
إن كانت نسختان من النشرة بالتنسيق نفسه وتريد معرفة ما تغيّر بينهما، فلا تحتاج لفصل الأعمدة أصلًا: استخرج الاثنتين بالإعدادات نفسها وقارنهما عبر مقارنة النصوص، فالاختلاط نفسه يتكرر في النسختين ويظهر الفرق الحقيقي وحده.
مستندات تخرج نظيفة ومستندات لا تخرج
- عقود وخطابات وفواتير بعمود واحد: تخرج بترتيب القراءة مع فواصل الفقرات.
- نشرات ومجلات بعمودين أو ثلاثة: تختلط أسطرها المتقابلة.
- حواشٍ جانبية وتعليقات في الهامش: تنضم إلى السطر الذي بجانبها.
- جداول: كل صف يصبح سطرًا واحدًا مع مسافات بين الخانات.
أسئلة شائعة
هل يحدث هذا مع النص العربي أيضًا؟
نعم، والترتيب داخل السطر يكون من اليسار إلى اليمين دائمًا، فقد يظهر العمود الأيسر قبل الأيمن حتى في مستند عربي.
لماذا لا تكتشف الأداة الأعمدة تلقائيًا؟
لأن التخمين قد يقطع جداول وأسطرًا عريضة بشكل خاطئ دون أن تلاحظ. القاعدة الحالية بسيطة وتتصرف بالطريقة نفسها في كل مرة، فتعرف ما تتوقعه.
هل يختلف الأمر إن كان العمودان بارتفاعات مختلفة؟
إن لم تتقابل الأسطر في الارتفاع فقد يخرج كل سطر منفصلًا، لكن ترتيبها يتبع الارتفاع، فتتناوب أسطر العمودين.