انتقل إلى المحتوى

ملف PDF عربي لا تقرؤه الآلة

pdf-arabic-textمتوسط
في هذه الصفحة

لماذا يهم

  • PDF كثيراً ما يكون أهم ما في الموقع: تقارير وشروط وعقود وكتالوجات. وما فيه من نص لا يخرج للبحث ولا لمساعدات الذكاء الاصطناعي إن كان معكوساً أو بلا خريطة أو صورة.
  • النسخ واللصق يفسد: من ينسخ فقرة تصله حروف معكوسة أو رموز، ويفشل قارئ الشاشة في قراءة الصفحة.
  • المشكلة تأتي من طريقة التصدير لا من محتوى الملف، فتُصلَح بإعادة التصدير بإعدادات صحيحة.

كيف تُصلح

  • من Word: احفظ باسم PDF، واختر «Best for electronic distribution and accessibility»، ولا تستعمل «Print to PDF»، وتأكد أن الخط مضمَّن.
  • من InDesign: استعمل نسخة الشرق الأوسط (ME) بمحرِّك الكتابة «World-Ready Paragraph Composer» أو «Adobe World-Ready»، وصدِّر «Adobe PDF (Interactive/Print)» مع تفعيل «Create Tagged PDF» وتضمين الخطوط.
  • لا تحوّل النص إلى منحنيات (Outlines) عند التصدير.
  • من ملف مصوَّر (ممسوح ضوئياً): شغّل التعرف الضوئي على الحروف (OCR) باللغة العربية، مثل Tesseract (ara) أو Adobe Acrobat أو ABBYY.
  • أبقِ الخطوط مضمَّنة بخريطة ToUnicode (تفعل ذلك البرامج الحديثة تلقائياً مع خطوط OpenType/TrueType).
  • بعد التصدير، حدّد فقرة وانسخها إلى ملف نصي: إن خرجت صحيحة فالملف سليم.

كيف نكشف

  1. نجلب حتى 3 ملفات PDF مرتبطة بالصفحة (حتى 15 ميغابايت للملف) بالطلب نفسه الذي نجلب به الصفحة، باسم ArablyzerBot، وبعد قراءة robots.txt الخاص بكل ملف؛ ولا نفتح ملفاً إلا بعد أن نتأكد أنه يبدأ بـ %PDF-.
  2. نقرأ نصه بمكتبة pdf.js في مسار معزول بحدّ للذاكرة والوقت، أول 20 صفحة فقط، دون تنفيذ أي سكربت.
  3. معكوس: كلمات من قائمة صغيرة من الكلمات العربية الشائعة تظهر معكوسة (3 على الأقل وضعف الظاهرة سليمة)، أو ثلاث كلمات تبدأ بتاء مربوطة، وهي لا تبدأ بها كلمة عربية.
  4. أشكال العرض: 20٪ فأكثر من الحروف العربية في النطاقين U+FB50–FDFF وU+FE70–FEFF.
  5. بلا خريطة Unicode: 5٪ فأكثر من الأحرف في النطاق الخاص (U+E000–F8FF) أو رموز الاستبدال، أو 30٪ حروف لاتينية مُنكَّهة (U+00C0–00FF) في ملف مرتبط من صفحة عربية دون حروف عربية. تقدير لا يرى الخط نفسه.
  6. صورة: نصف الصفحات المقروءة أو أكثر بلا نص.
  7. نبلّغ عن كل ملف وكل مشكلة، والخطورة متوسطة.

المراجع