ملفات PDF: لماذا يصعب إلى هذا الحد استخراج النص منها

بعبارة ملموسة، لا يحتوي PDF على فقرات ولا أسطر، وكثيرًا ما لا يحتوي حتى على كلمات. بل يحتوي على مقاطع من الحروف المرسومة في مواضع محددة. فالجملة التي تقرؤها الآن قد تكون مخزّنة في دزينة من المقاطع المنفصلة عند إحداثيات محسوبة، وقد تكون المسافة بين كلمتين مجرد غياب للحبر لا حرف مسافة. لذلك فإن كل محوّل من PDF إلى نص أو إلى Word، بما فيه هذا المحوّل، يقوم بإعادة بناء: يجمّع المقاطع حسب خط الأساس ليستعيد الأسطر، ويخمّن حدود الفقرات، ويستنتج العناوين من حجم الخط. وينجح ذلك جيدًا مع النثر العادي، لكنه يسطّح الأعمدة والجداول، لأن المعلومات اللازمة للحفاظ عليها لم تكن في الملف أصلًا.

والأمر الثاني الذي ينبغي معرفته أن «PDF» يشمل حالتين مختلفتين تمامًا. فملف PDF المُصدَّر من Word أو من المتصفح يحتوي على نص حقيقي يمكنك البحث فيه ونسخه. أما ملف PDF الناتج عن ماسح ضوئي أو كاميرا هاتف فيحتوي على صور للصفحات ولا نص فيه إطلاقًا — فالكلمات بكسلات، ولا شيء يستطيع استخراجها دون التعرّف على الحروف. يكتشف هذا الموقع تلك الحالة ويشغّل نموذج تعرّف بالذكاء الاصطناعي على جهازك أنت بدلًا من رفع الملف، وهذا أمر غير مألوف: فالتعرّف الضوئي على الحروف (OCR) هو عادةً اللحظة التي يرسل فيها المحوّل مستندك إلى خادم.

وفي ملفات PDF تكفّ الخصوصية عن أن تكون فكرة مجردة. فهذه الصيغة هي التي تنتقل بها العقود وقسائم الرواتب وكشوف الحسابات المصرفية والرسائل الطبية والفواتير ووثائق الهوية الممسوحة ضوئيًا. وكل تحويل هنا يجري داخل الصفحة — إذ يُفتح ملف PDF ويُرسم ويُقرأ بشيفرة تعمل في متصفحك، ولا يحمل أي طلب شبكي ملفك. هذا هو سبب بناء المحوّل بهذه الطريقة، وPDF هو الفئة التي يكون فيها ذلك أهم ما يكون.