محوّل PDF إلى EPUB للمحتوى العربي
محاولة لتحويل كتب PDF العربية إلى EPUB بتنظيف النص بدل البحث عن مستخرج مثالي، مع الحفاظ على اتجاه النص وترتيب الفقرات.
- دوري
- مطوّر منفرد
- التقنيات
- Python
شكل ٠٦ من PDF مشوّه إلى نص يُقرأ
- RTL اتجاه النص العربي وترتيب الفقرات محفوظان
- خفيف بلا أدوات ثقيلة — بهدف نشره أداةً في المتصفح
- Python مكتوب يدويًا، دون مساعدات الذكاء الاصطناعي
الأسطر من مخرجات الاختبار الحقيقية المنشورة في التدوينة؛ خطوات التنظيف هي المسار المقترح، والمشروع متوقف مؤقتًا. اقرأ الرسم
- المحوّلات العامة: مبنية للغات اللاتينية، فتخرج الحروف العربية مفككة ومعكوسة وتملأ الأسطر بالفراغات.
- الاستخراج: نص شبه صحيح، لكن فيه أخطاء متكررة يمكن التنبؤ بها.
- تنظيف الرموز: الفاصلة العربية تُقرأ «ء» في آخر الكلمة — قاعدة واحدة تصلحها في كل الكتاب.
- عزل النص الأجنبي: المقاطع اللاتينية داخل السطر العربي تُعلَّم للمراجعة بدل أن تُفسد ما حولها.
- إعادة بناء الفقرات: الأسطر المقطوعة تُدمج في فقرات تتدفق على شاشة القارئ الإلكتروني.
المشكلة
ملفات PDF ثقيلة على القارئ الإلكتروني، والصيغة المناسبة له هي EPUB. لكن كل المحوّلات المجانية التي جرّبتها أخرجت الكتب العربية مشوّهة: سطر صحيح وسبعة أسطر معدومة التراكيب، وفراغات لا تكاد تنتهي — لأنها مبنية أصلًا للغات التي تُكتب من اليسار إلى اليمين.
دوري
مشروع شخصي بدأته وحدي، وكتبته بيدي دون الاعتماد على مساعدات الذكاء الاصطناعي.
القرارات
- تفكيك المشكلة: جودة تصوير الكتاب، والتشكيل، ووجود نصوص أجنبية داخل السطر العربي، والكلفة التقنية للذكاء الاصطناعي.
- تنظيف النص بدل مطاردة المستخرج المثالي: المستخرجات المعتمدة على المعالج لم تنجح إلا مع كتاب مصوّر بشكل مثالي بلا تشكيل ولا نص أجنبي، فاتجهت إلى تنظيف النص كاملًا بحيث تكون النتيجة معقولة حتى مع أسوأ مستخرج.
- خفيف عمدًا: تجنّبت الأدوات الثقيلة لأن الهدف نشرها أداةً تعمل في المتصفح.
ما يمكن إثباته
نتائج الاختبار الحقيقية منشورة في التدوينة، ومنها الأسطر المستخدمة في الرسم أعلاه — بأخطائها كما خرجت: لماذا تفشل أدوات تحويل PDF إلى EPUB مع الكتب العربية؟
الحدود والدروس
المشروع متوقف مؤقتًا بعد يومين من العمل، وخطوات التنظيف في الرسم هي المسار المقترح لا أداة منشورة. وجدت حلولًا عربية قائمة أداؤها قريب من المثالي لكن استعمالها محدود، وما زلت أرى المستخرجات العربية مجالًا خصبًا يستحق الاستثمار علميًا وماليًا.