تحويل PDF إلى Markdown

لماذا تحوّل PDF إلى Markdown؟

Markdown نص خام مُعزَّز ببعض الرموز: علامة # للعنوان، وشرطة للنقطة، وخطوط عمودية للجدول. يُقرأ دون برنامج، ويُعدَّل في أي محرر، ويُعرض بشكل أنيق على GitHub وNotion وObsidian أو ويكي الشركة. وهو أيضًا الصيغة التي تفهمها مساعدات الذكاء الاصطناعي أفضل من غيرها: عندما تلصق تقريرًا في ChatGPT أو Claude، يساعده تسلسل العناوين والجداول على التلخيص أو المقارنة أو الإجابة عن سؤال محدد. أما النسخ واللصق البسيط من قارئ PDF فكثيرًا ما يخلط الأعمدة، ويقطع الجمل عند كل سطر، ويكرر رؤوس الصفحات؛ والتحويل إلى Markdown يتجنب هذه العيوب.

كيف تُستعاد البنية؟

لا يحتوي ملف PDF على عناوين أو فقرات، بل على قطع نصية موضوعة في إحداثيات دقيقة فقط. تحدد الأداة حجم خط النص الأساسي، ثم ترتّب الأحجام الأكبر: يصبح الأكبر عنوانًا من المستوى 1، والذي يليه من المستوى 2، وهكذا. وتكتشف الأعمدة بفضل المساحة الفارغة التي تفصلها، وتعيد لصق أسطر الفقرة الواحدة، وتحذف شرطات تقسيم الكلمات. وتشكّل الأسطر المحاذاة في عدة خلايا جدولًا، وتفتح النقاط والأرقام قائمة. أما النصوص المتكررة أعلى معظم الصفحات أو أسفلها، مثل اسم التقرير أو «الصفحة 3 من 12»، فتُستبعد.

الرموز (tokens) والحدود وملفات PDF الممسوحة

تقيس أدوات الذكاء الاصطناعي طول النص بالرموز (tokens)، وهي أجزاء من الكلمات. يعطي العدّاد تقديرًا تقريبيًا، بنحو رمز واحد لكل أربعة أحرف: وهذا عملي لمعرفة ما إذا كان المستند يتسع في محادثة واحدة أم أن الأفضل إرسال بعض الصفحات فقط. ويختلف العدد الفعلي حسب النموذج واللغة، وغالبًا ما يكون أعلى للنص العربي. لا تُحوَّل الصور، لكن يمكن الإشارة إلى مواضعها. وقد تحتاج التخطيطات ذات الطابع الرسومي الكثيف، مثل كتيّب أو جدول بخلايا مدمجة، إلى مراجعة أحيانًا. وأخيرًا، لا يحتوي ملف PDF الممسوح ضوئيًا إلا على صور للصفحات: تنبهك الأداة إلى ذلك وتقترح عليك المرور أولًا بتقنية OCR لجعله مقروءًا. يُعالَج الملف داخل متصفحك ولا يُرسل أبدًا.