انتقل إلى المحتوى

ملفات PDF العربية: لماذا يخرج نصها مقلوباً أو رموزاً وكيف تصلحها

لماذا يخرج نص PDF العربي مقلوباً أو رموزاً، وكيف تصدّره وتضبط عنوانه ولغته.

في هذا المقال

قائمة الطعام وكتالوج المنتجات ونموذج الطلب والتقرير السنوي: كثير منها يُنشر ملف PDF. تفتحه فتقرؤه سليماً. لكن البحث والنسخ وقارئ الشاشة والمساعدات الذكية لا تقرأ الرسم الذي تراه، بل النص المخزّن خلفه، وقد يكون مقلوباً أو رموزاً أو غير موجود.

نشرح هنا الأعطال الأربعة التي تصيب النص العربي في PDF، وبيانين صغيرين كثيراً ما يغيبان هما العنوان واللغة، وكيف تتحقق من ملفك وتصلحه من أدوات الكتابة الشائعة.

ما تراه العين وما تقرؤه الآلة

تجمع قاعدة pdf-arabic-text الأعطال في أربع رسائل:

العطلما تخرجه الآلةالرسالة
ترتيب بصريكلمات بحروف معكوسةreversed
أشكال العرضأشكال الحروف بدل الحروف الأساسيةpresentation-forms
خط بلا خريطة Unicodeرموز غير مقروءةno-unicode-map
صفحات صورلا شيءimage-only

المعكوس: يُخزَّن النص العربي بترتيب قراءته (المنطقي)، ويحسب العرض ترتيبه البصري، كما يشرح W3C عن النص ثنائي الاتجاه (bidi). وحين يكتب المصدّر الحروف بترتيب ظهورها على الصفحة (الترتيب البصري) يرى القارئ الصفحة سليمة، وتخرج الكلمات مقلوبة عند البحث والنسخ.

أشكال العرض: حروف الملف أشكال مرسومة من النطاقين U+FB50–FDFF وU+FE70–FEFF بدل الحروف الأساسية. تُعرض صحيحة، ولا يطابقها البحث ولا الذكاء الاصطناعي بالكلمة المكتوبة بحروفها الأساسية.

بلا خريطة Unicode: الخط الذي لا يحمل خريطة ToUnicode يعرض للقارئ حروفاً عربية ويعطي الآلة رموزاً. وفحصنا هنا تقدير لا يرى الخط نفسه: نعدّ الأحرف في النطاق الخاص (U+E000–F8FF) أو رموز الاستبدال، وحروفاً لاتينية بعلامات (U+00C0–00FF) في ملف مرتبط من صفحة عربية ولا عربية فيه.

الصور: إن كان نصف الصفحات المقروءة أو أكثر بلا نص فهي صور، كملف ممسوح ضوئياً. لا يُنسخ ولا يبحث فيه أحد ولا يقرؤه قارئ الشاشة.

وإن رأيت رموزاً غريبة مثل الع في نص صفحتك لا في الملف، فالسبب غير ذلك: ترميز مشوّه قُرئ فيه نص UTF-8 على أنه Windows-1252. وتفحصه قاعدة ar-mojibake، ويُعالج بإعلان UTF-8 في الخادم والصفحة. والعطلان يتشابهان في الشكل ويختلفان في العلاج، ولهذا نفصل بينهما. وتجد في مقال تقطّع الحروف أعطال الحروف في الصفحات.

اختبار بدقيقة

حدّد فقرة في الملف وانسخها إلى ملف نصي. إن خرجت صحيحة فالملف سليم. وإن خرجت مقلوبة فالعطل ترتيب بصري، وإن خرجت رموزاً فالخط بلا خريطة، وإن لم تستطع تحديدها فالصفحة صورة.

ثم شغّل فحص ملفات PDF على صفحة تربط إليها. يجلب حتى 3 ملفات ينتهي مسار رابطها بـ.pdf، حتى 15 ميغابايت للملف، باسم ArablyzerBot وبعد أن يسمح robots.txt.

ويقرأ أول 20 صفحة بمكتبة pdf.js في مسار معزول بحدّ للذاكرة والوقت، دون تنفيذ سكربت. وهو يقدّر ولا يجزم: يعدّ الملف معكوساً إن ظهرت فيه 3 كلمات شائعة معكوسة على الأقل، وعددها لا يقل عن ضعف ما يظهر منها سليماً، ويعدّه بأشكال عرض إن كانت 20% فأكثر من حروفه العربية منها. ويقرأ النص في الذاكرة ويرمي ما سوى الأرقام والمقتطف القصير في التقرير. ولا يقرأ الملف المحجوب بـrobots.txt، أو الأكبر من 15 ميغابايت، أو المشفَّر بكلمة سر، أو ما ليس PDF حقيقياً، ويكتب السبب بجانب كل ملف.

تصدير يحفظ النص

العطل يأتي من طريقة التصدير لا من محتوى الملف، فيُصلح بإعادة التصدير من الملف الأصلي بإعدادات صحيحة، كما تقول القاعدة:

  • Word: احفظ باسم PDF واختر «Best for electronic distribution and accessibility»، ولا تستعمل «Print to PDF»، وتأكد أن الخط مضمَّن.
  • InDesign: استعمل نسخة الشرق الأوسط (ME) بمحرك الكتابة «World-Ready Paragraph Composer»، وصدّر «Adobe PDF (Interactive/Print)» مع «Create Tagged PDF» وتضمين الخطوط.
  • أي برنامج: لا تحوّل النص إلى منحنيات (Outlines)، وأبقِ الخطوط مضمَّنة. وتضيف البرامج الحديثة خريطة ToUnicode تلقائياً مع خطوط OpenType وTrueType.

والملف الممسوح وحده يحتاج التعرف الضوئي على الحروف (OCR) بالعربية. بيانات ara موجودة في ملفات Tesseract. وتقبل OCRmyPDF رمز اللغة بثلاثة أحرف مع -l، وتشترط تثبيت حزمة اللغة قبل استعماله:

bash
ocrmypdf -l ara input.pdf output.pdf

وبعد أي تصدير أو OCR كرّر الاختبار: انسخ فقرة وانظر ما يخرج.

عنوان المستند ولغته

تفحص pdf-metadata أمرين. الأول عنوان المستند: من الحقل Title أو من dc:title في XMP. بلا عنوان يعرض المتصفح اسم الملف في التبويب ويقرؤه قارئ الشاشة، واسم مثل final_v3.pdf ليس عنواناً. والثاني لغته: من /Lang في فهرس الملف أو dc:language في XMP. بلا لغة لا يعرف قارئ الشاشة أن النص عربي فينطقه بصوت لغة أخرى. وتعدّ القاعدة اللغة شرطاً في معيار PDF/UA. ولغة المستند نظير lang في HTML.

وللمعيارين أصل عند W3C. تضع تقنية PDF18 العنوان في مدخل /Title من قاموس معلومات المستند، وتطلب ضبط DisplayDocTitle ليعرضه القارئ. وتجد في Acrobat Pro الخيار في «Initial View» ثم «Window Options». وتحدد تقنية PDF16 اللغة بمدخل /Lang في فهرس المستند، وهي تخص ملفات PDF الموسومة (Tagged)، وتساعد قارئات الشاشة على اختيار قواعد النطق. ويكتب ذلك برنامج التأليف عادة. وللتحقق تقترح PDF16 أن تسمع الملف بقارئ شاشة أو تعرض قيمة /Lang في محرر PDF. وهكذا تبدو في الملف، كما في مثال PDF16 للإنجليزية /Lang (en):

text
/Lang (ar)

أما الخطوات فمن القاعدة:

  • Word: ملف ثم معلومات ثم العنوان، وعيّن لغة التدقيق بالعربية، وفي خيارات الحفظ بصيغة PDF فعّل خصائص المستند.
  • InDesign: ملف ثم معلومات الملف ثم العنوان، وفعّل «Create Tagged PDF» عند التصدير، وعيّن لغة الفقرات.
  • Acrobat: ملف ثم خصائص ثم وصف ثم العنوان، وفي «متقدم» اختر اللغة العربية. وتقول PDF16 إن اللغة غير الموجودة في القائمة تُكتب برمز ISO 639-2.

ولهذين الأمرين فائدة عملية. يقول شرح المعيار 2.4.2 إن العنوان يعين المستخدم على معرفة موقعه وعلى اختيار النتيجة الصحيحة من قائمة النتائج، وإن برامج العرض تُظهره في شريط العنوان أو التبويب. ويقول شرح المعيار 3.1.1 إن تحديد اللغة يتيح لقارئ الشاشة تحميل قواعد النطق الصحيحة.

وتقرأ القاعدة /Lang من نص الملف إن لم يكن داخل تيار مضغوط، فقد يحمله ملف ولا نراه، ونقول ذلك في الصفحة. ومخالفتها طفيفة الخطورة.

ملفات منشورة من قبل

إن كان عندك ملفات كثيرة فابدأ بما تربط إليه صفحاتك المهمة، لأن الفحص يقرأ الملفات التي ترتبط بها الصفحة بحدّ 3 ملفات. تبلّغ القاعدة عن كل ملف وكل مشكلة بخطورة متوسطة، وعن العنوان واللغة بخطورة طفيفة. ثم اتبع الخطوات:

  1. شغّل الفحص واقرأ المشكلة المكتوبة بجانب اسم كل ملف.
  2. ارجع إلى الملف الأصلي، لا إلى ملف PDF نفسه، وأعد تصديره بالإعدادات أعلاه.
  3. ارفعه بالاسم والعنوان نفسيهما إن أمكن حتى لا تنكسر الروابط إليه.
  4. انسخ فقرة منه إلى ملف نصي، ثم أعد الفحص.

وإن لم يبقَ عندك غير ملف ممسوح فالـ OCR هو الطريق، وراجع نتيجته بالنسخ كما تراجع أي تصدير. وللمساعدات الذكية أسباب أخرى لا تفهم بها نصك العربي غير الملف، تجدها في مقال ChatGPT والنص العربي.

قائمة قبل أن تنشر الملف

  • صدّرت من الملف الأصلي بخط مضمَّن، ولم تستعمل «Print to PDF».
  • النص لم يُحوَّل إلى منحنيات، وفي التصدير «Create Tagged PDF».
  • نسخت فقرة إلى ملف نصي فخرجت صحيحة.
  • الملف الممسوح مرّ بـ OCR بالعربية.
  • للمستند عنوان لا اسم ملف، ولغته العربية.
  • نص الرابط إلى الملف يصفه، وينتهي مساره بـ.pdf.