حوّل ملف PDF إلى نص Markdown
يحافظ Markdown على ترتيب القراءة والبنية البسيطة، لا على تخطيط الصفحة. لذلك فالسؤال الوحيد المهم هو هل يحمل PDF نصًا حقيقيًا أم صورًا له فقط. النص القابل للتحديد يتحول مباشرة. والمسح يحتاج OCR أولًا، والجداول والرياضيات تحتاج فحصًا بعد ذلك في الحالين.
نص قابل للتحديد أم مسح: الفحص الواحد الذي يقرر
افتح PDF في أي قارئ واسحب عبر فقرة. إذا تميّز النص سطرًا سطرًا، فالملف يحمل طبقة نص وكل طريقة أدناه تعمل عليه مباشرة. وإذا حُدِّدت الصفحة كاملة ككتلة واحدة، أو لم يتميز شيء إطلاقًا، فالصفحة صورة ولا شيء يُستخرَج حتى يخمّن OCR الحروف.
يمتد هذا الانقسام عبر السوق كله. تعامل المحوّلات التي تعمل في المتصفح هاتين كمهمتين منفصلتين: وضع يقرأ طبقة النص، وآخر يشغّل OCR على المسح. وتنجز الأداة المحلية على هذا الموقع المهمة الأولى فقط وترفض المسح بدل تسليم ملف فارغ، وهي النسخة الصادقة من الانقسام نفسه.
الطريق المحلي: نص أصلي في متصفحك
تقرأ أداة PDF إلى Markdown طبقة النص الأصلي، وتعيد بناء الأسطر بترتيب القراءة، وتستخدم حجم الخط ومعلوماته لاستنتاج عناوين وقوائم وكتل شيفرة بسيطة. تبقى علامات الصفحات في الملف كتعليقات Markdown عند الطلب، ويمكن إزالة الترويسات والتذييلات المتكررة عندما تحددها الأداة بأمان.
لا يُرفَع شيء؛ ويعمل التحويل كله في علامة التبويب. يُعاد قراءة Markdown المولّد ومقارنته مع النص المحتفَظ به، وفحص الاحتفاظ الفاشل لا ينتج تنزيلًا بدل ملف معطوب. تُرفَض المسح الصورية تمامًا، لأن OCR عمل منفصل: النص المُخمَّن يحتاج مقياس دقة خاصًا ومراجعة بشرية.
النسخ واللصق لصفحة أو اثنتين
في مقطع قصير، يتفوق تحديد النص ولصقه في الملاحظات أو أداة ذكاء اصطناعي على أي محوّل. لا شيء يُثبَّت ولا شيء يُرفَع، وترى فورًا ما نجا.
ويتوقف عن التوسع سريعًا. الصفحات متعددة الأعمدة تُلصَق بترتيب خاطئ، وتبقى الكلمات موصولة من فواصل الأسطر، وتصل العناوين كأسطر عادية دون بنية. مقبول لاقتباس، وخاطئ لمستند. بعد بضع صفحات، شغّل استخراجًا بدل محاربة الحافظة.
استخراج سطر الأوامر للدفعات المتكررة
عندما تحتاج ملفات كثيرة المعاملة نفسها، يبدأ خط الأنابيب القياسي بـ Poppler: تسحب أداته pdftotext طبقة النص كنص عادي. ثم ينتقل Pandoc بين تنسيقات النص في الطريق نحو Markdown.
كن واضحًا بشأن ما لا يفعله خط الأنابيب هذا. يستخرج الحروف الموجودة؛ ولا يستنتج بنية المستند من نص PDF الموضعي. تخرج العناوين والقوائم والجداول مسطحة وتحتاج إعادة بناء يدويًا أو بأدوات إضافية. وهو الخيار الصحيح للاستخراج الجماعي المُنسَّق، والخيار الخاطئ عندما تهم البنية ولا يراجع أحد الناتج.
الصفحات الممسوحة تحتاج OCR قبل Markdown
يخمّن OCR الحروف من البكسلات، وكل محوّل Markdown للمسح هو تمريرة OCR بتنسيق فوقها. تشمل أدوات المصدر المفتوح المعروفة لخطوة OCR كلًا من Tesseract وOCRmyPDF؛ ويحزم عدة محوّلات عبر الإنترنت ذلك كوضع منفصل بدل خلطه في الاستخراج العادي.
ضع ميزانية لوقت المراجعة، لأن التخمينات تحمل أخطاء. تتدهور الطباعة الصغيرة والخطوط غير المألوفة والجداول والرياضيات أولًا، وتبدو الأخطاء واثقة في Markdown كما تبدو على الصفحة تمامًا. المسح الذي يجب اقتباسه أو نشره يحتاج جولة بشرية على النص المحوّل، لا تحويلًا فحسب.
طرق أخرى للحصول على Markdown من PDF
يستطيع Google Docs ذلك في خطوتين: افتح PDF من Google Drive باستخدام Google Docs، فيحوّله إلى نص قابل للتعديل (ويُجري التعرف الضوئي على الحروف لملفات المسح)، ثم استخدم «ملف» ثم «تنزيل» ثم Markdown. لا تبقى العناوين إلا إذا تعرّف عليها Docs، فراجع النتيجة. وعلى الحاسوب، يستطيع Word فتح PDF كمستند قابل للتعديل؛ وبعد حفظه بصيغة DOCX يمكن تحويله إلى Markdown بأداة مثل Pandoc. يمر الطريقان كلاهما عبر معالج نصوص، فتنتهي تخمينات التخطيط الناتجة عن التحويل في ملف Markdown.
أداة التحويل هنا أضيق عن قصد: نص أصلي فقط، دون OCR، دون رفع شيء، وعلامات الصفحات كتعليقات Markdown، وإزالة الترويسات والتذييلات المتكررة عندما يمكن تحديدها بأمان، وفحص احتفاظ يجب أن يجتازه الناتج قبل وجود أي تنزيل. المسح المرفوض ليس ميزة مفقودة؛ بل هو النقطة التي كان سيبدأ عندها التخمين.
ما ينكسر في كل تحويل
يسجّل PDF النص في مواضع على صفحات بينما يسجّل Markdown ترتيب قراءة ومجموعة صغيرة من البنى، فبعض الأشياء لا تعبر أبدًا بنظافة. تصل الجداول المعقدة مسطحة أو منحرفة، وتفقد الرياضيات والمعادلات ترميزها، ويقرأ النص متعدد الأعمدة أسفل العمود الخاطئ، وتنفصل الحواشي عن علاماتها، وتعبر الصور والمخططات دون معناها لأنه لا نص بديل يحمله.
خطط للفحص لا للتحويل فحسب. تصفح Markdown مقابل PDF صفحة بصفحة للمستندات القصيرة، أو افحص الجداول والأشكال والصفحة الأولى والأخيرة للطويلة. الجداول المهمة تستحق تمريرة استخراج خاصة بها بدل النجاة داخل تصدير Markdown بالحظ.
الأسئلة الشائعة
- كيف أعرف هل يحتاج PDF الخاص بي OCR أولًا؟
- اسحب عبر فقرة في أي قارئ. إذا تميّز النص سطرًا سطرًا، فالملف يحمل طبقة نص ويتحول مباشرة. وإذا حُدِّدت الصفحة ككتلة واحدة أو لم يتميز شيء، فهو مسح ويحتاج OCR قبل أي خطوة Markdown.
- هل ستنجو جداولي من التحويل؟
- الشبكات البسيطة تنجو غالبًا، والمعقدة تصل مسطحة أو منحرفة عادة. الجداول المهمة تستحق تمريرة مخصصة مع تحويل PDF إلى CSV بدل النجاة داخل تصدير Markdown بالحظ.
- هل يرفع المحوّل المحلي ملفي؟
- لا. يُفتَح PDF ويُحوَّل ويُفحَص ويُعايَن كليًا في علامة تبويب المتصفح. وهو يناسب الأبحاث السرية والتقارير الداخلية لهذا السبب بالضبط.
- كيف تبدو علامات الصفحات؟
- تبدأ كل صفحة بتعليق Markdown مثل «الصفحة 3». يحافظ التعليق على حد الصفحة دون الظهور كمحتوى مرئي عند العرض، أو أسقط العلامات كليًا لمستند واحد متصل.
- هل أستطيع تحويل Markdown عائدًا إلى PDF؟
- نعم. يعرض تحويل Markdown إلى PDF نص Markdown في PDF متحقق منه بنص قابل للتحديد وأرقام صفحات وخيارات تخطيط.
- لماذا حصلت على نص ضئيل تقريبًا؟
- مسحٌ غالبًا دائمًا: الصفحات الصورية لا طبقة نص فيها تُستخرَج. شغّل OCR أولًا وحوّل نتيجته، وتوقع مراجعته، لأن النص المُخمَّن يحمل أخطاء تبدو واثقة.
نفّذ الآن
الأداة تعمل في هذا المتصفح. لا يغادر ملفك الجهاز أبدًا، وتُفحَص النتيجة قبل تنزيلها.
تحويل PDF إلى Markdownإلى أين بعد ذلك
- تحويل PDF إلى Markdown حوّل PDF ذا نص قابل للتحديد إلى Markdown مفحوص.
- تحويل Markdown إلى PDF حوّل Markdown عائدًا إلى PDF منسق ومتحقق منه.
- تحويل PDF إلى CSV اسحب الجداول من PDF كصفوف جداول بيانات.
- تعديل PDF جد الدليل المناسب لتغيير ما يقوله PDF.