كيفية الاستخدام
- اختر ملف PDF أو أفلته.
- اختر «فقرات وعناوين» أو «تخطيطًا مموضعًا».
- حدد «تحويل إلى HTML» وانتظر حتى تُقرأ جميع الصفحات.
- راجع المعاينة، ثم انسخ الكود أو نزّل ملف .html.
كيف تعمل الأداة
تقرأ الأداة طبقة النص في كل صفحة باستخدام pdf.js: كل جزء من النص مع موضعه وحجم خطه. في وضع الفقرات والعناوين، تُدمج الأجزاء على نفس السطر الأساسي في أسطر، وتُجمَّع الأسطر في فقرات حسب التباعد الرأسي والمسافة البادئة. الأسطر المكتوبة بخط أكبر بوضوح من نص الجسم تصبح عناوين (h1–h3)، والأسطر التي تبدأ برمز نقطي أو برقم مثل 1. تصبح عناصر قائمة، والكلمات الموصولة بواصلة في نهاية السطر تُدمج عندما يبدأ السطر التالي بحرف صغير. يحدد تعليق HTML مكان بداية كل صفحة.
في وضع التخطيط الموضعي، يصبح كل جزء نصي عنصر span يوضع في إحداثياته على صندوق بحجم الصفحة، باستخدام خط serif أو sans-serif أو monospace عام. يشبه الملف الناتج PDF لكنه غير مناسب للتحرير.
يتم تحويل النص فقط. لا تُنقل الصور والرسومات وحدود الجداول والألوان والخطوط والخط الغامق والمائل والروابط؛ وتظهر الجداول كأسطر نصية. تُقرأ الصفحات متعددة الأعمدة بترتيب تخزين النص، وهو عادةً وليس دائمًا ترتيب القراءة. ملفات PDF الممسوحة ضوئيًا لا تحتوي على طبقة نص وتحتاج إلى OCR أولًا. يتم ترميز كل النص بترميز HTML.
أمثلة
نشر كتيّب على الإنترنت
كتيّب منتج من صفحتين يتحول إلى عناوين h2 وفقرات وقوائم نقطية يمكن لصقها في CMS وتتكيف مع شاشات الهاتف.
فحص طبقة النص
يعرض التخطيط الموضعي بدقة مكان كل جزء نصي من النموذج على الصفحة، وهو مفيد لتصحيح أخطاء إنشاء ملفات PDF.
الأسئلة الشائعة
هل يتم تحويل الصور والجداول؟
لا. تتم قراءة طبقة النص فقط. يتم تجاهل الصور والرسومات، وتظهر خلايا الجدول كأسطر نصية لأن ملف PDF لا يسجل النص الذي ينتمي إلى أي خلية.
لماذا يتم اكتشاف العنوان كفقرة (أو العكس)؟
يتم التعرف على العناوين فقط بكونها أكبر من حجم النص الأكثر شيوعًا. يبقى النص الغامق بالحجم العادي فقرة، وقد يصبح النص الزخرفي الكبير عنوانًا.
لماذا يكون ترتيب الفقرات خاطئًا؟
تتبع الأداة الترتيب الذي يُخزن به النص في ملف PDF. تخزن بعض البرامج الأعمدة أو الأشرطة الجانبية أو التسميات التوضيحية بترتيب مختلف عن ترتيب ظهورها.
ملف PDF الخاص بي لا يُخرج أي نص. ماذا يمكنني أن أفعل؟
غالبًا ما يكون مستندًا ممسوحًا ضوئيًا. تعرّف على النص باستخدام OCR أولاً، مثلاً عبر أداة تحويل الصورة إلى نص (OCR) على صور الصفحات.
الخصوصية
يُقرأ ملف PDF في متصفحك باستخدام pdf.js. لا يُرفَع الملف أو ناتج HTML ولا يُخزَّن ولا يُضمَّن في التحليلات؛ يُسجَّل فقط حدث مجهول يفيد باستخدام الأداة.