PDF إلى Markdown

لأن Markdown يقول الشيء نفسه بضوضاء أقل وبنية أكثر. تفريغ النص الخام من PDF يكرر الترويسة والتذييل في كل صفحة، ويقسّم الكلمات عبر فواصل الأسطر بشرطات، ويعطي النموذج سطرًا قصيرًا لكل سطر مرئي دون إشارة إلى ما كان عنوانًا أو قائمة أو جدولًا. عناوين وجداول Markdown تخبر النموذج بالضبط كيف يُنظَّم المستند، ما يحسّن الإجابات التي تحصل عليها - وإسقاط عناصر تنسيق الصفحة يعني أنك لا تدفع رموزًا مقابل نص لا يحمل معنى.

يعتمد ذلك على المستند، وتعرض لك هذه الأداة الرقم الحقيقي بدلًا من ادعاء تسويقي. المكاسب الواضحة تأتي من إزالة الترويسات والتذييلات المكررة، وإعادة تدفق الأسطر المُقسَّمة قسرًا، وإعادة دمج الكلمات المفصولة بشرطة (كلمة مقسَّمة كـ 'تر-' زائد 'جمة' تُرمَّز كعدة أجزاء بدلًا من واحد). في المقابل، تضيف خطوط الجداول وعلامات العناوين بضعة أحرف. في تقرير طويل بعناصر تنسيق صفحة في كل صفحة، التوفير حقيقي؛ في ملف PDF قصير ونظيف وغني بالجداول، قد يخرج Markdown بحجم مماثل تقريبًا - ويبقى مع ذلك أكثر فائدة بكثير للنموذج. تعرض الأداة تقديرًا (حوالي أربعة أحرف لكل رمز) مُوسَّمًا على هذا الأساس.

تُكتشَف العناوين متى استخدم المستند خطًا أكبر أو غامقًا لها، وهذا يغطي تقريبًا كل تقرير وورقة بحثية ودليل وعقد مُصدَّر من Word أو Google Docs أو LaTeX أو InDesign. تُكتشَف الجداول عندما تصطف أعمدتها باستمرار عبر الصفحة - الحالة المعتادة. الجداول التي تجمعها حدود مرسومة فقط دون محاذاة نص ثابتة، والتخطيطات المصمَّمة بشدة على طراز المجلات، هي الحالات الصعبة؛ وعندما تبدو الشبكة غير موثوقة، تقول الأداة ذلك بوضوح وتحتفظ بالنص بدلًا من اختلاق جدول.

نعم. اكتشاف العناوين، اكتشاف القوائم، اكتشاف الجداول، إعادة دمج الشرطات، الغامق/المائل، وإزالة الترويسة المتكررة كلها مفاتيح فردية، بالإضافة إلى خيار لإضافة علامات '<!-- page N -->'. يُقرأ ملف PDF مرة واحدة فقط، لذا يُعيد كل مفتاح التحويل فورًا ويتحدث تقدير الرموز معه.

ملف PDF الممسوح ضوئيًا هو صورة لصفحة بلا طبقة نص، ولا توجد خطوة OCR هنا، لذا لا يمكن استخراج شيء منه. تخبرك الأداة بوضوح بأي الصفحات لم يكن بها طبقة نص بدلًا من إرجاع ملف فارغ بصمت. مرّر ملف PDF عبر أداة OCR أولًا ثم حوّل النتيجة.

لا. يُحلَّل ملف PDF باستخدام pdf.js بالكامل داخل متصفحك، ويُبنى Markdown هناك أيضًا. الملف لا يغادر جهازك أبدًا، ما يعني أيضًا أن العقود السرية والتقارير الداخلية آمنة للتحويل هنا.

هذا أحد الأسباب الرئيسية لاستخدامه. عناوين Markdown تمنح مُجزِّئًا نقاط تقسيم طبيعية - التقسيم أولًا عند حدود ##، ثم الفقرات - لذا تتوافق الأجزاء مع أقسام حقيقية بدلًا من القطع في منتصف الجملة، وتبقى الجداول قابلة للقراءة بواسطة النموذج بعد التجزئة. حمّل ملف .md، أو انسخه مباشرة من الأداة.