تحويل PDF إلى Markdown

لا تعرف معظم ملفات PDF أن سطرًا ما عنوان. فما لم يُصدَّر الملف بصيغة PDF موسومة، وهي ميزة أُضيفت في PDF 1.4 عام 2001 ويشترطها معيار إمكانية الوصول PDF/UA (ISO 14289)، يكون العنوان مجرد نص بخط أكبر أو أثقل. يرتّب المحوّل أنماط الخطوط التي يجدها ويربط الأكثر تكرارًا والأكبر منها بـ # و## و###، فيخرج التقرير ذو التسلسل الواضح للخطوط بمخطط نظيف.

تُعرف القوائم من العلامات والمسافات البادئة: تتحول النقاط إلى -، والأسطر المرقّمة إلى 1.، والمسافات الأعمق إلى عناصر متداخلة. ويتحول النص المحاذى في أعمدة إلى جدول بخطوط عمودية، وهي صيغة رسّخها GitHub في مواصفة GFM عام 2017؛ أما Markdown الذي نشره John Gruber عام 2004 فلم يكن يتضمن جداول إطلاقًا. وتحتفظ الروابط بوجهاتها بصيغة [text](url).

تُدمج الأسطر التي انقطعت فقط لأنها بلغت الهامش لتعود فقرات. أما رأس الصفحة المتكرر أو رقم الصفحة الواقع بين فقرتين فهو ما يُحذف عادةً بعد ذلك.

بعض العناصر لم تُخزَّن أصلًا بشكل يمكن قراءته لاحقًا. فقد ينتهي شريط جانبي موضوع بين عمودين وسط فقرة. وتخرج المعادلات المنضدة كرموز موضوعة في أماكنها على هيئة سطر من الأحرف لا LaTeX. أما النص المرسوم كخطوط متجهة، وهو شائع في الشعارات والشرائح المصدَّرة، فلا يحتوي على أحرف إطلاقًا.

تُسطَّح الجداول ذات خلايا الرأس المدمجة أو الخلايا متعددة الفقرات إلى شبكة بسيطة، فتوقّع أن تعيد كتابة صف رأس معقد يدويًا. وإذا كنت تحتاج الكلمات فقط فإن PDF إلى TXT يعطيك نصًا عاديًا؛ وإذا كان مصدرك مسودة Word فإن DOCX إلى Markdown يحافظ على بنية أكثر، لأن DOCX ما زال يعرف أي الفقرات عناوين.

في مسار الاسترجاع، حوّل مع إيقاف الإبقاء على الصور ما لم يكن نموذج رؤية سيقرأ الأشكال، واختر لغة المستند الصحيحة للمسوحات حتى لا تخترع OCR أحرفًا تنتهي في فهرسك. ثم افحص أول مستويين من العناوين: فالتعليق المرقّى إلى ## يقسم المقاطع في أماكن غريبة، ويصلحه بحث واستبدال واحد قبل الفهرسة. كما يظهر النص العادي الفروق بوضوح في Git، فيمكن مقارنة إصدار جديد من دليل ما جملةً بجملة.