إذا كان PDF يبدو صحيحًا ولكن لصقه في محرر نص عادي ينتج عنه أحرف مختلفة، فتحقق من السبب قبل تغيير الخطوط أو تشغيل OCR. قد يكون التعيين بين الشكل المرسوم على الصفحة والحرف الذي يمثله خاطئًا. يبدأ تصحيح أخطاء النص PDF بتحديد الجزء الذي فشل في هذه العملية.
لماذا يمكن أن يبدو النص صحيحًا ولكن يتم نسخه بشكل غير صحيح؟
يمكن لمحتوى النص PDF تخزين رموز أحرف المصدر الخاصة بالخط بدلاً من نص Unicode. يستخدم قارئ PDF معلومات الخط والتشفير لتحديد موقع الحرف الرسومي ورسمه. يتطلب النسخ أيضًا ترجمة تلك الرموز إلى أحرف ذات معنى.
وبالتالي فإن رسم الحرف A لا يضمن أن الاستخراج سيرجع A. ToUnicode عبارة عن تعيين في قاموس الخطوط الذي يربط رموز الأحرف المصدر PDF بتسلسلات الأحرف Unicode. تم توضيح هذا التمييز بين عرض النص واستخراجه في مرجع Adobe PDF، القسم 5.9.
ماذا يعني تعيين الخطوط في الواقع؟
هذه المفاهيم الثلاثة مرتبطة ببعضها البعض، ولكنها غير قابلة للتبديل:
| رسم الخرائط | الدور الرئيسي |
|---|---|
الجدول cmap داخل ملف الخط | تعيين رموز الأحرف إلى فهارس الحروف الرسومية؛ تستخدم الجداول الفرعية Unicode رموز Unicode |
| ترميز PDF؛ يمكن للخطوط المركبة استخدام Encoding CMap | يفسر رموز الأحرف المصدر PDF ويساعد في تحديد موقع الحرف الرسومي المراد رسمه |
PDF ToUnicode | يقوم بتعيين رموز الأحرف المصدر PDF إلى نص Unicode للنسخ والاستخراج |
بالنسبة للنوع الأول، راجع مواصفات OpenType cmap. الإصلاح الذي تمت مناقشته هنا يستهدف الثالث؛ ولا يقوم بإعادة إنشاء ملف الخط أو استبدال الحروف الرسومية الموجودة على الصفحة.
لا يؤدي تعيين ToUnicode المفقود دائمًا إلى نص مشوه. يمكن لقارئ PDF أحيانًا استرداد النص من ترميز قياسي أو أسماء حروف رسومية معروفة أو مجموعة أحرف. وعلى العكس من ذلك، يمكن أن يكون هناك جدول تعيين ولا يزال يحتوي على اقترانات غير صحيحة.
تحقق أولاً مما إذا كان التعيين هو المشكلة
انسخ مقطعًا قصيرًا إلى محرر نص عادي وقارنه بالصفحة الأصلية:
| أعراض | ما يجب التحقق منه أولا |
|---|---|
| تبدو الصفحة صحيحة، لكن الأحرف المنسوخة تتحول باستمرار إلى أحرف أخرى | تعيينات الأحرف مفقودة أو غير صحيحة |
| يمكنك تحديد صورة فقط، وليس النص | طبقة نص مفقودة أو نص تم تحويله إلى حدود تفصيلية؛ النظر في الملف المصدر أو OCR |
| يمكن تحديد النص على صفحة ممسوحة ضوئيًا، لكنه لا يتطابق مع الصورة | ينتج عن التعرف طبقة النص OCR |
| الأحرف الفردية صحيحة، ولكن الأعمدة أو الجداول غير مرتبة | ترتيب القراءة واستخراج التخطيط |
| تحتوي الصفحة نفسها على أحرف أو مربعات مفقودة | موارد الخطوط أو تغطية الحروف الرسومية أو ترميز العرض |
هذه هي أدلة استكشاف الأخطاء وإصلاحها، وليست تشخيصات تعتمد على المظهر وحده. يعتبر تضمين الخط والنسخ الصحيح من الاهتمامات المنفصلة أيضًا؛ انظر تضمين الخطوط والمجموعات الفرعية PDF.
كيف يمكنك تصحيح النص المنسوخ باستخدام الحروف الرسومية الأصلية؟
افترض أن الكود المصدري <0001> بخط معين يرسم A ولكنه يعين 错 (U+9519) بشكل غير صحيح. هذا جزء من رسم الخرائط التوضيحي، وليس ملف CMap كاملاً:
Before: <0001> <9519>
After: <0001> <0041>
<0001> هو رمز مصدر PDF في هذا الخط، وليس محرف Unicode U+0001. تعيينه إلى U+0041 يحدد أن الشكل المرسوم يمثل A. ويمكن للشكل الطباعي المركب (ligature، حيث تشترك عدة حروف في شكل واحد) أن يقابل عدة محارف Unicode، مثل fi.
بمجرد التأكد من أن إصلاح التعيين مناسب، استخدم أداة إصلاح النص PDF:
- حدد PDF، ثم حدد الخط المراد تصحيحه.
- قارن بين الحروف الرسومية الأصلية في الشبكة وأدخل النص الصحيح أسفل كل حرف رسومي.
- قم بتصدير PDF الذي تم إصلاحه واحتفظ بالنسخة الأصلية للمقارنة.
ينطبق التغيير في كل مكان يتم فيه استخدام نفس الخط ورمز المصدر. تحقق من الخطوط المميزة بشكل منفصل، حتى عندما تتطابق أسماؤها. إذا أخطأ OCR في التعرف على كلمة واحدة فقط، فقد تؤدي إعادة تعيين الحرف بشكل عام إلى إتلاف النص الذي كان صحيحًا بالفعل.
كيف يمكنك التحقق من الإصلاح؟
أعد فتح الملف الذي تم تصديره وانسخ نموذج النص وابحث عنه في قارئ PDF المستهدف. تحقق من التكرارات الأخرى لنفس التعليمات البرمجية والخطوط التي لم تقم بتحريرها. قارن مظهر الصفحة وافحص علامات الترقيم والأحرف المركبة والأرقام، بدلاً من اختبار الحرف الأول غير الصحيح فقط.
تستخدم بعض ملفات PDF أيضًا ActualText لتوفير نص بديل، وهو ما قد تفضله البرامج الداعمة. إذا لم يؤد تغيير ToUnicode إلى حل المشكلة، فتحقق من هذا التجاوز. تحذر الأداة الحالية من ActualText ولكنها لا تقوم بتحريرها. شاهد شرح رابطة PDF.
بالنسبة لأخطاء OCR، قم بتصحيح طبقة النص أو التعرف عليها مرة أخرى. إذا كان لديك ملف التخطيط الأصلي، فكر في تصحيحه وتصدير ملف PDF جديد. الملفات التي لن تفتح أو تؤدي إلى أخطاء هيكلية تحتاج إلى نهج مختلف؛ انظر عندما يكون إصلاح تنسيق PDF مناسبًا.
بمجرد تحديد مشكلة تعيين أحرف الخط، قم بتصحيحها باستخدام أداة إصلاح النص PDF المحلية. تتم معالجة الملفات في متصفحك دون تحميلها. لا يزال يتعين عليك التحقق من النص المنسوخ ومظهر الصفحة بعد التصدير.
