تحويل PDF إلى Markdown محلياً: البنية والحدود

حصلت على تقرير PDF — توثيق، محضر اجتماع، أطروحة — وتريد إعادة استخدامه في ويكي أو مستودع Git أو خزانة Obsidian. النسخ واللصق صفحة بصفحة يعطي كتلة نص خام بلا بنية. تحويل PDF ← Markdown يهدف إلى أفضل من ذلك: استعادة العناوين والفقرات والجداول في صياغة قابلة للتحرير. ولأن كل شيء يحدث في المتصفح، لا يغادر المستند جهازك — مفيد عندما يكون التقرير داخلياً أو سرياً.

كيف يعمل الاستخراج

تعتمد الأداة على pdf.js، نفس المكتبة التي تشغّل قارئ PDF في Firefox. لكل صفحة، تُعيد getTextContent() أجزاء النص مع موضعها وحجم خطها — هذه هي طبقة النص في PDF، وليست إعادة بناء بصرية.

تُستنتج البنية بعد ذلك باستدلال بسيط:

• تُجمَّع الأجزاء في أسطر حسب موضعها العمودي (بهامش 5 بكسل).
• يعمل حجم الخط الوسيط للصفحة كمرجع: سطر يتجاوز خطه 1.8× الوسيط يصبح #، وفوق 1.4× يصبح ##، وفوق 1.15× يصبح ###.
• يُدمج الباقي في فقرات، بترتيب القراءة في الصفحة.

للجداول، يبحث كشف تكميلي عن ثلاثة أسطر على الأقل تتمحور خلاياها عمودياً (نفس الموضع الأفقي، بهامش 5 بكسل). عندما تُتعرف الشبكة، تُنسخ بصياغة | col | — ويصبح السطر الأول الترويسة.

الخطوات

1. أسقط ملف PDF (ملف واحد في كل مرة، حتى 50 ميغابايت و1000 صفحة).
2. انقر «استخراج»: يُعرض التقدم صفحة بصفحة، مع زر إلغاء.
3. تحقق من المعاينة: تُعرض أول 2000 حرف من Markdown قبل التنزيل.
4. نزّل ملف .md: كل صفحة موسومة بتعليق <!-- Page N --> وتفصل الصفحات بخط ---، ما يساعد على استرجاع ترقيم الصفحات الأصلي.

ما يبقى — وما هو تقريبي

يُستعاد جيداً: العناوين (عندما يكون تسلسل أحجام الخط واضحاً)، الفقرات، ترتيب النص، والجداول المنتظمة المحوَّلة إلى شبكة Markdown.

تقريبي أو مفقود:

• القوائم المتداخلة: لا تُكتشف التعدادات النقطية كذلك — قائمة بمستويين تخرج كنص متصل، يحتاج إعادة مسافة بادئة يدوياً.
• الروابط: لا تُقرأ تعليقات الروابط؛ يبقى النص المرئي فقط، وتُفقد عناوين URL.
• الصور والأشكال: لا استخراج للصور، يبقى Markdown نصياً بحتاً.
• الأنماط: الغامق والمائل والألوان لا تُنقل — الاستدلال ينظر إلى حجم الخط فقط.
• التخطيطات متعددة الأعمدة: التجميع بالموضع العمودي قد يخلط الأعمدة — تحقق من الكتيبات والمقالات الصحفية.
• الجداول المعقدة: الخلايا المدموجة أو الشبكات غير المنتظمة تنتج أعمدة مزاحة — ومن هنا وصف «أفضل جهد».

باختصار: Markdown الناتج هو بنية عمل، وليس نسخاً أميناً. خصص مراجعة لاحقة، خاصة إذا كان PDF كثيفاً.

متى يكفي، ومتى تفضل شيئاً آخر

استخراج Markdown هو الخيار الصحيح عندما تريد نصاً منظماً وقابلاً للتحرير: استيراد أقسام إلى ويكي، إعادة استخدام العناوين في مخطط، تعيين إصدارات للمحتوى.

فضّل النص الخام إذا لم تكن البنية مهمة — للفهرسة أو البحث في المحتوى، استخراج النص البسيط أكثر مباشرة. وإذا كان PDF مسحاً بلا طبقة نصية، تكتشفه الأداة (تفحص الصفحات الأولى) وتحذرك: يلزم أولاً المرور عبر OCR محلي لإنشاء الطبقة النصية، ثم إعادة الاستخراج.

الاتجاه المعاكس

إذا كانت حاجتك بدلاً من ذلك إنتاج PDF من ملاحظات Markdown — لإرساله أو طباعته — فهذا الطرف الآخر من السلسلة، ويغطيه Markdown إلى PDF: التحويل محلياً. الأداتان متكاملتان: Markdown ← PDF للنشر، وPDF ← Markdown لإعادة الاستخدام.

الحدود

• النتيجة تقريبية بطبيعتها: لا يوجد تحويل PDF ← Markdown آلي يستعيد القوائم والروابط والأنماط بأمانة — حدودنا مفصلة أعلاه بدلاً من المبالغة فيها.
• يعتمد كشف العناوين على أحجام الخط: مستند يكون فيه كل شيء بالحجم نفسه لن ينتج أي عنوان.
• ملف واحد في كل مرة، 50 ميغابايت كحد أقصى، 1000 صفحة كحد أقصى.
• ملفات PDF الممسوحة ضوئياً تتطلب OCR مسبقاً — الاستخراج وحده لا يقرأ شيئاً منها.