لماذا يصعب استخراج الجداول من ملفات PDF؟ المنطق الكامن وراء التحويل إلى Excel

الجدول الذي تراه عينك ليس في الملف

ماذا ترى حين تفتح ملف PDF وتنظر إلى جدول فيه؟ صفوفًا وأعمدة وخلايا، وربما حدودًا وصف ترويسة مظللًا. البنية واضحة تمامًا؛ فبنظرة واحدة تعرف أي قيمة تنتمي إلى أي عمود.

ولننظر الآن داخل الملف نفسه. يتضمن ملف PDF أوامر من هذا القبيل: ارسم هذه المحارف عند هذه النقطة، ومدّ خطًا من هنا إلى هناك، واملأ هذا المستطيل بالرمادي الفاتح. هذا كل شيء. ولا يرد في أي موضع من الملف أن «هنا جدولًا من ثلاثة أعمدة». ولا وجود لمفهوم الخلية. ولا وجود لمفهوم الصف.

وما تدركه أنت جدولًا إنما هو الانطباع الذي يولّده في عينك نص متحاذٍ بعناية مع خطوط مرسومة حوله. والدماغ البشري يفسّر هذا النمط جدولًا في الحال؛ أما الخوارزم فعليه أن يخمّنه من الصفر.

في هذا المقال نشرح كيف تجري عملية التخمين تلك، ولماذا تُستخرج بعض الجداول بلا عيوب، ولماذا تتفكك أخرى.

كيف يعثر المحوّل على جدول؟

يحل خوارزم استخراج الجداول في الواقع مشكلتين منفصلتين. فهو يعثر أولًا على المناطق التي يحتمل أن تكون جداول في الصفحة، ثم يستخلص شبكة الخلايا لتلك المنطقة. وللخطوة الثانية استراتيجيتان أساسيتان، وأيّهما متاحة يحدد جودة التحويل إلى حد بعيد.

النهج القائم على الخطوط

إذا كان للجدول حدود حقيقية فالعمل يسير إلى حد كبير. فيجمع الخوارزم الخطوط الأفقية والرأسية في الصفحة، ويحدد نقاط تقاطعها، ويعتمد الشبكة الناتجة بنيةً للخلايا. ثم يسند إلى كل خلية الشظايا النصية الواقعة داخل حدودها.

وهذا النهج موثوق لأن نصيب التخمين فيه ضئيل؛ فالخطوط مدوَّنة صراحةً في الملف. ولذلك تُستخرج الجداول كاملة الحدود المرسومة بعناية بلا عيوب تقريبًا.

النهج القائم على الفراغات

إذا كان الجدول بلا حدود، وهو أمر شائع جدًا في تصميم المستندات الحديث، فلا خطوط بين يدي الخوارزم. وعندئذٍ يكون الدليل الوحيد هو المحاذاة. ويعمل الخوارزم على النحو الآتي: ينظر في مواضع البدء الأفقية للشظايا النصية في صفوف مختلفة، ويعدّ المتحاذية منها منتمية إلى العمود نفسه. وعلى النحو ذاته يجمّع خلايا الصف الواحد بالنظر إلى المواضع الرأسية.

وهذا النهج ناجع لكنه هشّ. فإذا كانت خلية فارغة انقطع نمط المحاذاة. وإذا كان النص في خلية محاذيًا إلى اليمين والبقية إلى اليسار فقد يظنّها الخوارزم أعمدة مختلفة. وإذا امتد النص في خلية إلى سطرين فقد يُفسَّر السطر الثاني صفًا مستقلًا في الجدول.

أكثر حالات الخلل شيوعًا وأسبابها

إن فهم سبب تفكك بعض الجداول يبيّن لك أيضًا ما ينبغي توقعه في كل نوع من المستندات.

الخلايا المدمجة. فالعنوان الممتد على عمودين يكسر منطق الشبكة. ويضطر الخوارزم إلى تقرير العمود الذي ينتمي إليه هذا النص، فيسنده إلى الأول عادةً، وهذا يُحدث اختلالًا في المحاذاة مع البيانات أدناه.

النص متعدد السطور داخل الخلية. فإذا امتد وصف طويل إلى ثلاثة سطور داخل خلية فقد يظنّه النهج القائم على الفراغات ثلاثة صفوف مستقلة في الجدول، فتختل محاذاته مع القيم أحادية السطر في الأعمدة الأخرى.

الخلايا الفارغة. فالخلية الفارغة تعني أنه لم يُرسم أي نص عند ذلك الموضع. وقد لا يدرك الخوارزم أن ثمة عمودًا هناك، فتنزاح القيم الواقعة يمينه عمودًا واحدًا. وهذا أخطر أنواع الأخطاء لأنه يولّد بيانات خاطئة في صمت.

الجداول الممتدة عبر الصفحات. ففي ملف PDF كل صفحة مستقلة. وإذا استمر الجدول في الصفحة التالية عدّه الخوارزم جدولًا منفصلًا. وتختلط بالبيانات ترويسات الصفحات وأرقامها وتكرار عناوين الأعمدة المتخللة.

الترويسات المتداخلة. فالبنى ذات المستويين، بعنوان فئة عريض في الأعلى وعناوين فرعية تحته، لا تُنقَل مباشرةً إلى نموذج الجدول المسطّح في Excel، وتُسطَّح في الغالب.

لماذا لا تأتي المعادلات؟

هذا أكثر ما يفاجئ المستخدمين، لكن سببه في غاية البساطة: المعادلات غير موجودة في ملف PDF البتة.

فماذا يحدث حين تحفظ ملف Excel بصيغة PDF؟ يحسب Excel أولًا جميع المعادلات، ويستخرج النتائج، ويرسم تلك النتائج على الصفحة. والذي يُكتب في ملف PDF هو الرقم 1250؛ لا معادلة الجمع التي أنتجته. فالمعادلة فُقدت فقدانًا نهائيًا لحظة الحفظ.

وبناءً عليه لا يستطيع أي محوّل استخراج معادلات من ملف PDF، لأنه لا توجد معادلة تُستخرج. فبعد التحويل تكون لديك الأرقام الصحيحة، لكنها قيم ثابتة؛ وعليك إعادة بناء منطق الحساب. وينطبق المنطق نفسه على تنسيق الخلايا وقواعد التنسيق الشرطي وإعدادات التحقق من صحة البيانات؛ فكلها تُفقد عند الكتابة إلى PDF.

وليس هذا نقصًا في التحويل بل طبيعةً للصيغة. فإن كنت بحاجة إلى المعادلات فالسبيل الوحيد يمر عبر من أعدّ المستند.

الجداول الممسوحة ضوئيًا: طبقة خطأ إضافية

في المستند الممسوح ضوئيًا تكون الصفحة صورة في حقيقتها، ولا توجد فيها أوامر نصية تُقرأ. ومع هذه الملفات يجب أن يعمل OCR أولًا، أي التعرف الضوئي على الحروف.

ولـ OCR في الجداول خطر خاص: الخلط بين المحارف في البيانات الرقمية. فأزواج كالصفر وحرف O الكبير، والرقم واحد وحرف l الصغير، والستة والثمانية، والثلاثة والثمانية يُساء التعرف عليها بسهولة في عمليات المسح منخفضة الدقة. وفي مستند نصي يُلحظ مثل هذا الخطأ فورًا لأن الكلمة تفقد معناها. أما في الجدول فورود 63 مكان 68 لا يلفت النظر إطلاقًا، ويدخل حسابك خاطئًا في صمت.

ولهذا فإن فحص المخرجات في الجداول الممسوحة ضوئيًا ليس خطوة اختيارية. فإن وُجد في الأصل صف مجموع فإن حساب المجموع نفسه في Excel ومقارنته أسرع وسائل التحقق وأنجعها.

أي الجداول تُنقَل بنقاء؟

لنحوّل هذه المعرفة إلى خريطة عملية للتوقعات. فالجداول التي تحمل السمات الآتية تُنقَل كاملةً تقريبًا: كاملة الحدود، بسطر نصي واحد في كل خلية، خالية من الخلايا المدمجة، تسع صفحة واحدة، ونصية. وكشوف الحسابات المصرفية وقوائم الأسعار البسيطة وتفريغات البيانات المجردة تندرج عادةً في هذه الفئة.

أما السمات الآتية فتستدعي التصحيح: الجداول بلا حدود المتحاذية بالفراغات وحدها، والخلايا متعددة السطور، والترويسات المتداخلة، والجداول الطويلة الممتدة عبر الصفحات، والمستندات الممسوحة ضوئيًا. ومع هذه الملفات يبقى اتخاذ التحويل نقطة بداية أسرع بكثير من الإدخال اليدوي؛ لكن لا ينبغي استعمال النتيجة دون فحصها. ولترى ما ستؤول إليه حال ملفك يمكنك تجربة أداة تحويل PDF إلى Excel.

خلاصة القول

بنية الجداول لا تُحفظ في ملفات PDF في الغالب البتة؛ ولا توجد سوى إحداثيات نصية وخطوط. وتستخلص أدوات التحويل شبكة الخلايا إما بقراءة الخطوط وإما بتخمينها من أنماط المحاذاة. ففي الجداول المسطَّرة المنتظمة تكون النتيجة موثوقة؛ وفي الجداول بلا حدود أو ذات الخلايا المدمجة أو الممتدة عبر الصفحات يتسع نصيب التخمين ويلزم التصحيح. والمعادلات لا تأتي بحال من الأحوال لأنها لم تُكتب في ملف PDF قط. وفي الجداول الممسوحة ضوئيًا يضيف OCR طبقة خطأ خاصة به، فيغدو التحقق الرقمي واجبًا.