لقد قمت بتحويل تقرير من صفحتين إلى Word للتحقق من شيء ما ، وعادت الفقرة الثانية على النحو التالي:
ارتفعت الإيرادات في المرتبة الثالثة بنسبة أربعة ، ربع على خلفية اثنين جميعهم في الدعم. تم توقيع خطة تجديد التوظيف الكبيرة للربع الرابع من أغسطس. الهامش ثابت. لم يتغير في ستة أدوار.
عمودان من النثر العادي تمامًا ، يُقرأان عبر سطر المزراب سطرًا ، لذلك يتم تقسيم كل جملة في العمود الموجود بجانبها. لم يتم كسر أي شيء. قام المحول بالضبط بما يمكن أن يفعله المحول ، والفجوة بين ذلك وبين ما هي العبارة & quot؛ pdf إلى word & quot؛ وعود هي موضوع هذا الدليل بالكامل. جاء كل ناتج مقتبس أدناه من تشغيل التحويل ، وليس من وصفه.
ليرة تركية؛DR: يقوم PDF بتخزين الحروف الرسومية في الإحداثيات. لا يخزن الفقرات أو الأعمدة أو الجداول أو العناوين ، لذلك يجب على المحول استنتاجها من المواضع ، وبعض هذه الاستنتاجات خاطئة بطرق يمكنك التنبؤ بها. تم قياسه في تقرير اختبار: عمودان متشابكان سطراً بسطر ، جدول من أربعة صفوف مسطح إلى سطر واحد يقرأ & quot؛ المنطقة Q2 Q3 EMEA 412 455 Amer 388401 Apac 120166 & quot؛ ، عنوان مدمج في الفقرة أدناه ، وصفحة بدون طبقة نصية تنتج شيئًا على الإطلاق. ما تحصل عليه بشكل موثوق هو نثر قابل للتحرير بترتيب الصفحة ، وهو ما تريده بالنسبة لمعظم الوظائف. لامه PDF إلى محول Word هل هو في المتصفح، لذلك لا يتم تحميل المستند.
ما الذي يتم تخزينه داخل ملف PDF؟
تعليمات لرسم صفحة وليس مستند.
يقول تدفق محتوى PDF أشياء مثل & quot؛ تعيين هذا الخط بهذا الحجم ، انتقل إلى x 60 ، y 720 ، إظهار هذه الحروف الرسومية & quot ؛. لامه المواصفات نفسها هو وصف لنموذج الرسم ، ويجلس مشغلو النص جنبًا إلى جنب مع تلك الخاصة برسم الخطوط وملء الأشكال. لا يوجد شيء في الملف يعني & quot؛ فقرة & quot؛ ، لا يوجد شيء يعني & quot؛ هذا جدول & quot؛ ولا شيء يسجل أن كتلتين من النص هما أعمدة بدلاً من واحدة عريضة. تم تصميم التنسيق بحيث تتم طباعة الصفحة بشكل متماثل في كل مكان ، ويحقق ذلك من خلال وصف الصفحة على أنها علامات وليست كمحتوى.
لذلك يتلقى المحول قائمة بالتشغيلات الموضعية. pdf.js، المحلل اللغوي الذي يعمل عليه ، سلمهم تمامًا كما ترسمهم الصفحة. في ملف الاختبار ، أنتجت الصفحة الأولى 34 منها وأنتجت الصفحة الثانية 4. كل تشغيل عبارة عن سلسلة بها علامة X و Y وعرض وارتفاع خط ، والترتيب الذي يصلون به هو ترتيب رسم الصفحة ، وهو ليس بالضرورة الترتيب الذي ستقرأه.
كل ما يحتاجه مستند Word إلى عدم وجود ملف PDF ، يجب على المحول إعادة بنائه من هذه الأرقام الأربعة. إعادة الإعمار هذه هي كل ما يلي ، بما في ذلك في كل مكان يحدث بشكل خاطئ.
كيف يعيد المحول بناء الفقرات من الإحداثيات؟
في ممرين ، مع عتبة على كل منهما.
تعمل مجموعات المرور الأولى في سطور حسب خط الأساس: حيث تقع قيم y في حدود نصف ارتفاع خط بعضها البعض سطرًا واحدًا. المجموعات الثانية تسطر في فقرات من خلال الفجوة الرأسية بينهما. فجوة أكبر من حوالي 1.45 مرة تباعد الأسطر المعتاد تبدأ فقرة جديدة ، حيث & quot؛ المعتاد & quot؛ هي الفجوة المتوسطة في تلك الصفحة بدلاً من رقم ثابت ، لذلك تتكيف القاعدة مع مجموعة مستند في 9 نقاط أو 14 نقطة.
هناك عتبة ثالثة داخل خط. غالبًا ما يقسم PDF.js كلمة واحدة عبر عدة أشواط مع عدم وجود فجوة بينهما ، لذا فإن الانضمام إلى عمليات التشغيل على مسافة يتحول & quot؛ اسم الملف & quot؛ إلى & quot؛ f i l e n a m e & quot؛. الإصلاح هو إدخال مسافة فقط عندما تتجاوز الفجوة الأفقية ربع ارتفاع الخط ، وهو حوالي عرض مساحة كلمة حقيقية.
هذه الأرقام الثلاثة تقرر كل شيء تقريبًا عن الإخراج. عندما تكون النتيجة جيدة ، كانوا على حق. عندما يلتزم عنوان بالفقرة أدناه ، كانت الفجوة أقل من 1.45 ضعف الوسيط والقاعدة المذكورة فقرة واحدة.
لماذا يخرج عمودان متشابكين؟
لأن الدليل الوحيد على العمود هو فجوة أفقية ، وينظر تجميع الخط إلى الوضع الرأسي أولاً.
جلست الكتلتان في صفحة الاختبار الخاصة بي عند x 60 و 320 ، مع وجود خطوط على أساس مشترك. وشهدت المجموعة ستة خطوط أساسية ، كل منها يحمل نصًا من كلا الجانبين ، ويقرأ كل واحد عبره. والنتيجة هي الفقرة الموجودة في الجزء العلوي من هذا الدليل: كل سطر من العمود الأيسر متبوعًا مباشرة بالخط الموجود بجانبه.
هذا هو نفس الفشل مثل الأعمدة المخفوقة في التعرف الضوئي على الحروف ، ولها نفس الجذر: ترتيب القراءة هو حكم حول التخطيط ، المصنوع من الهندسة ، بشيء لا يستطيع القراءة.
تقوم المحولات التي تتعامل مع الأعمدة بشكل جيد بخطوة تجزئة الصفحة أولاً ، وتبحث عن نطاق عمودي ثابت من المسافة البيضاء يعمل على ارتفاع الصفحة ويقسم الصفحة هناك قبل أي مجموعة أسطر. يعمل على صحيفة أو صحيفة مجلة ، حيث يكون الحضيض واسعًا ومنتظمًا. إنه أقل موثوقية في الحالات الشائعة ، حيث يكسر الشريط الجانبي أو اقتباس السحب أو جدول من عمودين النطاق.
إذا كان المستند الخاص بك يحتوي على أعمدة ، فإن الإجابة العملية هي التحقق من المخرجات وإصلاح الفقرة الأولى من كل صفحة ، أو تحويل عمود في وقت واحد إذا كان المستند طويلًا بما يكفي ليكون يستحق ذلك.
ماذا يحدث لطاولة؟
تصبح جملة.
يحتوي ملف الاختبار الخاص بي على جدول من أربعة صفوف بثلاثة أعمدة. هنا كل شيء بعد التحويل:
Region Q2 Q3 EMEA 412 455 AMER 388 401 APAC 120 166
كل قيمة نجت. لم يكن الهيكل. لا يمكنك أن تعرف من هذا السطر أن 412 هو رقم Q2 في أوروبا والشرق الأوسط وأفريقيا دون احتساب المواضع ومعرفة شكل الأصل.
والسبب هو أن معظم ملفات PDF لا تحتوي على جداول أيضًا. عادةً ما يكون الجدول في ملف PDF نصًا مرسومًا في إحداثيات مع بعض الأسطر المرسومة حوله ، والخطوط عبارة عن عمليات رسومات لا تحتوي على أي شيء في الملف الذي يربطها بالنص الذي يرفقه. سيتعين على المحول اكتشاف محاذاة الأرقام ، واستنتاج الشبكة ، وتحديد عمليات التشغيل التي تنتمي إلى أي خلية ، وهي مشكلة بحثية وليست تحليل.
تحمل بعض ملفات PDF بنية حقيقية ، من خلال العلامات المضافة لإمكانية الوصول ، وتلك التي يتم تحويلها بشكل أفضل. إنها أقلية: تأتي ملفات PDF الموسومة من تصدير دقيق من Word أو InDesign ، وليس من برنامج تشغيل طباعة.
إذا كان الجدول هو الشيء الذي تريده ، فانسخه في جدول بيانات يدويًا ، أو قم بتحويل ملف PDF إلى نص وإعادة تشكيله هناك. لن يمنحك ملف Word المحوّل خلايا.
لماذا اندمج عنواني في الفقرة؟
لأن المساحة الموجودة تحته لم تكن كبيرة بما يكفي لرحلة قاعدة الفقرة.
في الصفحة الثانية من ملف الاختبار ، كان العنوان & quot؛ ملاحظات & quot؛ جلس 40 نقطة فوق النص الأساسي بينما كانت خطوط الجسم متباعدة 18 نقطة. هذه الفجوة هي 2.2 ضعف تباعد الأسطر ، والتي كان يجب أن تقسمها ، ولم تفعل ذلك ، لأن الفجوة المتوسطة في الصفحة التي تحتوي على أربعة أشواط فقط ليست تقديرًا موثوقًا لأي شيء. كان الناتج:
Notes Note 14 covers intercompany revenue and the treatment of
deferred items carried over from the prior year.
هذا هو الشكل الصادق للمشكلة برمتها. تعمل قواعد العتبة بشكل جيد على صفحة بها نص كافٍ لإنشاء إيقاع أساسي وسوء على إيقاع متناثر. غالبًا ما تعود صفحة العنوان أو ملاحظة قصيرة أو ورقة غلاف أو نموذجًا كفقرة واحدة.
إنه أيضًا أسهل شيء يمكن إصلاحه بعد وقوعه. العناوين واضحة للقارئ البشري ، والضغط على العودة في المكان المناسب يستغرق ثانية ، وهو وقت أقل من أي أداة ستستغرقها لفهمها بشكل صحيح.
ماذا يحدث لصفحة ممسوحة ضوئيًا؟
لا شيء يخرج وهذا هو السلوك الصحيح.
الصفحة الثالثة من ملف الاختبار الخاص بي لا تحتوي على طبقة نصية على الإطلاق ، فقط مستطيل رمادي يقف في الفحص. أعاد PDF.js صفرًا من التشغيل وأنتج المحول صفرًا من الفقرات له.
الصفحة لا تزال محسوبة. يظهر في ملف Word كصفحة فارغة ، بحيث تظل الصفحة متوافقة مع الأصل ، وهو أمر مهم عندما يعمل شخص ما من أرقام الصفحات. المحول الذي أسقط بصمت سيغير كل صفحة لاحقة تلو الأخرى.
ملف PDF الذي تحتوي جميع صفحاته على صور هو مسح ، ولا يمكن لأي محول استخراج نص منه لأنه لا يوجد نص لاستخراجه. ما يحتاجه ذلك هو التعرف الضوئي على الحروف ، الذي يقرأ صورة الحروف والتخمينات في الشخصيات ، والذي يجلب معدل الخطأ الخاص به. النسخة المقاسة من تلك التجارة هي في دليل ما يكسر التعرف الضوئي على الحروف: إمالة ثلاث درجات هي ما يفسد المسح وليس الدقة.
قاعدة مفيدة: افتح ملف PDF وحاول تحديد جملة باستخدام المؤشر. إذا كان النص مميزًا ، يمكن للمحول قراءته. إذا حصلت على مستطيل تحديد فوق صورة ، فأنت بحاجة إلى التعرف الضوئي على الحروف أولاً.
ماذا يوجد داخل .docx الذي يخرج؟
ثلاثة ملفات في ملف مضغوط ، وهذا كل ما يتطلبه الأمر حقًا.
A.DocX هو أرشيف اتفاقية تغليف مفتوح ، موحد مثل ECMA-376: مضغوط يحتوي على أجزاء XML بالإضافة إلى بيان يوضح ما هو كل جزء. مايكروسوفت تملك نظرة عامة على الشكل يمشي على نفس الأجزاء الثلاثة. الحد الأدنى الذي يفتح كمستند Word هو ثلاثة إدخالات:
| جزء | غرض |
|---|---|
[Content_Types].xml |
يعلن عن نوع الوسائط لكل جزء في الحزمة |
_rels/.rels |
نقاط في جزء المستند الرئيسي |
word/document.xml |
المحتوى نفسه |
كل شيء آخر يحمله ملف Word عادةً ما يكون ، والأنماط ، والخطوط ، والموضوعات ، والإعدادات ، وترقيم التعريفات ، هو اختياري. اتركهم بالخارج وسيقوم القارئ بتطبيق افتراضاته.
وصل مستند الاختبار ، 83 كلمة على ثلاث صفحات ، إلى 1305 بايت .docx الذي word/document.xml 1169 بايت. فتحته بقارئ مستندات Apple الخاص ، وهو ما تستخدمه TextEdit والصفحات ، وقد جعل كل فقرة بالترتيب مع كسر الصفحة سليمة. الحزمة الدنيا ليست متدهورة.
أحد التفاصيل في XML مهم أكثر مما يبدو. كل شوط مكتوب بـ xml:space="preserve". بدونها ، يفقدها بداية أو نهاية بمسافة ، ويعود كل سطر تم لفه في الأصل مع الكلمة الأخيرة التي تم ربطها بالكلمة التالية.
ماذا يحدث للصور؟
تم إسقاطها ، ولا يذكرها ملف Word.
الحزمة المكتوبة هنا تتكون من ثلاثة أجزاء وليس أي منها جزء إعلامي. شعار ، مخطط ، توقيع ممسوح ضوئيًا ، لقطة شاشة مضمنة في التقرير: كل شيء ذهب ، بدون عنصر نائب في مكان وجودهم. النص الذي أحاط بهم ينغلق كما لو أنهم لم يكونوا هناك من قبل.
هذا هو نتيجة نفس التصميم الذي يجعل المخرجات صغيرة وموثوقة. يعني حمل صورة عبر استخراجها من ملف PDF وتحديد تنسيقها وكتابتها فيها word/media/، إضافة نوع محتوى لها ، وإضافة جزء علاقة ، ووضع عنصر رسم في النقطة الصحيحة في التدفق. كل من هذه هي مكان للقارئ لرفض الملف ، و .docx يرفض معالج الكلمات فتحه أسوأ من فقدان أحد الشعارات.
من المهم للغاية بالنسبة للمستندات التي تكون فيها الصورة هي المحتوى وليس الزخرفة. لا يتحول الرسم البياني في تقرير إلى أي شيء ، ولا يملك قارئ ملف Word طريقة لمعرفة أن المخطط موجود على الإطلاق. تحقق من الأصل جنبًا إلى جنب مع التحويل عند الإشارة إلى رقم في النثر.
لماذا يرفض الملف أحيانًا فتحه على الإطلاق؟
أحرف التحكم ، والتي تحتوي على XML تحظرها وملفات PDF.
تلتقط طبقة نص PDF أحرفًا من أي شيء أنتجها: نموذج يغذي من خط أنابيب طباعة ، بايت فارغ من ترميز معطل ، رموز تحكم C0 أخرى لا تعني شيئًا في المستند. XML 1.0 لا يسمح بمعظمهم ، حتى أنهم هربوا: نطاق الأحرف يبدأ تصاريح المواصفات في علامة التبويب ، والخط الجديد ، وإرجاع النقل ويتخطى بقية كتلة C0.
الفشل ليس رشيقا. لا يحذر Word من الحرف أو يسقطه، ويرفض فتح الملف ويقول إن المحتوى غير قابل للقراءة. لذا فإن المحول يجرد هذه الشخصيات قبل الكتابة ، بدلاً من محاولة الهروب منها. لم يحملوا أي معنى في المصدر وسيكلفونك الوثيقة بأكملها.
إذا تلقيت يومًا .docx يرفضه معالج النصوص باعتباره غير قابل للقراءة ، فهذا هو أول شيء يجب الشك فيه ، ولهذا السبب يجب على المحول الذي يكتب XML أن يفكر في الأمر على الإطلاق.
هل يجب عليك التحويل إلى كلمة أم إلى نص عادي؟
Word إذا كنت ستقوم بتحريره ، أرسل رسالة نصية إذا كنت ستقوم بمعالجته.
هم يتشاركون نفس الاستخراج. الاختلاف هو فقط ما يتم كتابته في النهاية: يكتب أحدهما فقرات في ملف XML ، والآخر يكتبها في ملف .txt.
| تريد أن | يستخدم | لأن |
|---|---|---|
| تحرير النثر وإرساله | PDF إلى Word | هيكل الفقرة ، فواصل الصفحات ، شيء يمكن للزمل أن يفتحه |
| ابحث أو grep أو قم بتغذيةه إلى برنامج نصي | PDF إلى نص | لا يوجد ترميز في الطريق |
| حافظ على التصميم بالضبط | لا | قم بتحرير ملف PDF أو الحصول على الملف الأصلي |
| اقرأ المسح | OCR أولاً | لا توجد طبقة نصية لاستخراجها |
الصف الثالث هو الذي يستحق الجلوس معه. إذا كان التخطيط هو المهم ، فإن التحويل إلى Word هو الاتجاه الخاطئ ، لأن التحويل هو المكان الذي يضيع فيه التخطيط. اسأل من أرسل ملف PDF عن الملف الذي تم تصديره منه. يأخذ رسالة واحدة وهو الأسلوب الوحيد الذي يحافظ على التنسيق.
كم من الوقت يستغرق التحويل؟
مدة كافية لقراءة الملف ولم يعد.
لا توجد خطوة ترميز ولا معالجة للصور. يقوم العمل بتحليل بنية PDF ، وسحب محتوى النص لكل صفحة ، وتجميع عمليات التشغيل ، وتسلسل XML في ملف مضغوط. استغرق ملف الاختبار بضعة أجزاء من الألف من الثانية ، وهو ليس رقمًا مفيدًا لأنه كان عبارة عن ثلاث صفحات. يحد تقرير مائتي صفحة من PDF.js تحليله ، وهو خطي تقريبًا في عدد الصفحات وسريع.
ما تلاحظه في مستند كبير هو الذاكرة ، لأن الملف بأكمله مثبت في علامة تبويب المتصفح جنبًا إلى جنب مع البنية التي تم تحليلها. هذا هو السقف الحقيقي هنا وليس السرعة.
ما الذي يجب عليك التحقق منه في الإخراج؟
أربعة أشياء ، بالترتيب من المحتمل أن يكونوا مخطئين.
- الفقرة الأولى من كل صفحة. هذا هو المكان الذي تظهر فيه عمليات دمج العمود ودمج العناوين.
- أي طاولة. تأكد من وجود الأرقام ، ثم اقبل أن الشبكة قد اختفت وأعد بنائها إذا كنت في حاجة إليها.
- الكلمات الموصولة عند السطر ينتهي. كلمة مقطوعة عبر سطر في ملف PDF تعود مع الواصلة في منتصفها.
- عدد الصفحات. يجب أن تتطابق مع الأصل ، بما في ذلك أي صفحات فارغة أو ممسوحة ضوئيًا.
تستغرق هذه القائمة دقيقة في مستند من عشر صفحات وهو الفرق بين الملف الذي يمكنك إرساله وماء يحتوي بهدوء على جملة مقسمة.
لماذا يتم تشغيل هذا في المتصفح؟
لأن المستندات التي يحولها الأشخاص هي عقود وبيانات ورسائل ونتائج طبية وأشياء تحت الحظر.
التحويل عبارة عن تحليل ورمز مضغوط ، وكلاهما يعمل بشكل جيد تمامًا. تتم قراءة الملف من القرص الخاص بك إلى الصفحة ، ويتم تحليله هناك باستخدام PDF.js المجمعة للويب ، وتجميعها في .docx في الذاكرة ، وإعادة إرجاعها كتنزيل. لا يوجد طلب يحمل المستند ، ولا يتم تخزين أي شيء على الخادم ، ولا يوجد شيء يمكن لأي شخص حذفه لاحقًا.
البديل المعتاد هو موقع يأخذ ملف PDF الخاص بك ، ويحوله على جهاز لا تعرف شيئًا عنه ، ويرسل لك رابطًا عبر البريد الإلكتروني. لمنشور عام لا بأس به. بالنسبة لعقد العمل ، فهو قرار لم يُطلب منك اتخاذه بوعي.
التكلفة هي ذاكرة التبويب الموجودة على الملفات الكبيرة جدًا ، ولا يوجد OCR من جانب الخادم للصفحات الممسوحة ضوئيًا. كلاهما حدود مرئية وليست هادئة ، وهي التجارة التي تستحق الامتلاك.
