قوات الدفاع الشعبي لتحويل تخفيض السعر

يمنحك تفريغ "PDF إلى نص" البسيط كل كلمة بدون أي شكل: يُقرأ عنوان الصفحة تمامًا مثل الحاشية السفلية، وتتحول القائمة ذات التعداد النقطي إلى جملة متواصلة. تذهب هذه الأداة إلى أبعد من ذلك من خلال قراءة حجم الخط الحقيقي لكل عنصر نصي وموضعه من ملف PDF - عبر نفس محرك pdf.js الذي تستخدمه أدوات PDF الأخرى لهذا الموقع - واستخدام هذا الدليل المرئي لإعادة بناء البنية: العناوين، وعناصر القائمة، والفقرات، المكتوبة كـ Markdown.

يعتمد الاكتشاف حقًا على القياس، وليس تخمينًا متخفيًا. يتم تجميع العناصر النصية الموجودة على الصفحة في أسطر حسب مدى قرب مواضعها الرأسية، ويتم حساب حجم خط كل سطر من مصفوفة عرض النص الخاصة به، ويتم مقارنة هذا الحجم مع حجم الخط المتوسط ​​للمستند بأكمله - الحجم الذي تستخدمه معظم الأسطر فعليًا، أي النص الأساسي العادي. الخط الأكبر بشكل ملحوظ من هذا الوسيط يصبح عنوان Markdown (تصبح الخطوط الأكبر #، والخطوط الأكبر إلى حد ما تصبح ##)؛ يصبح السطر الذي يبدأ بحرف تعداد نقطي أو يتم وضع مسافة بادئة له بعد الأسطر المحيطة به عنصر قائمة `-`؛ يتم التعامل مع كل شيء آخر كنص أساسي ويتم دمجه في الفقرات.

هذا بصراحة تحليل إرشادي، وليس محللًا بنيويًا: ملفات PDF لا تحمل أي علامات دلالية مضمونة، فقط تعليمات مرئية حول مكان وضع الحبر، لذلك يمكن أن تخدع اختيارات الخط غير العادية للمصمم أحيانًا مقارنة الحجم، وتكون الجداول خارج النطاق بشكل واضح - لا تتحول تخطيطات الخلايا إلى عناوين أو قوائم أو فقرات بأي طريقة موثوقة، ولا تتظاهر هذه الأداة بخلاف ذلك. يتم تمييز كل صفحة بوضوح بفاصل "صفحة N" في الإخراج، مما يتوافق مع التقليد المستخدم بواسطة أداة تحويل PDF إلى نص في هذا الموقع.

تحظى الصفحات الممسوحة ضوئيًا بنفس المعاملة الصادقة كما هو الحال في أي مكان آخر على هذا الموقع: الصفحة التي هي في الواقع مجرد صورة ورقية لا تحتوي على طبقة نص على الإطلاق، لذلك بدلاً من إنتاج قسم فارغ بصمت، تلاحظ الأداة بالضبط الصفحات التي لم تتمكن من قراءتها وتشير إلى أداة تحويل الصورة إلى نص (OCR) لتلك الصفحات. يتم تشغيل كل شيء محليًا في متصفحك - لا يتم تحميل أي شيء، ولا توجد حدود للصفحات، وتقع النتيجة في مربع نص يمكنك نسخه أو حفظه كملف .md يتم فتحه في أي محرر يراعي Markdown.