محوّل PDF إلى Markdown

يحوّل PDF إلى نص عادي يحمل بنيته — العناوين كعلامات #، والقوائم كنقاط، والجداول كصفوف مفصولة بعلامة |. وقد صار مهمًا أكثر من قبل لأن نماذج اللغة وفهارس البحث تقرأ Markdown جيدًا وPDF بشكل سيئ، لذا أصبح التحويل الآن الخطوة الأولى في كثير من خطوط المعالجة بدلًا من كونه راحة عرضية.

نعم، ملف واحد في كل مرة. أما الخطط المدفوعة فهي للحالات المتكررة: مجلدات كاملة في تمريرة واحدة، ومستندات يحمل قالبها زوائده الخاصة التي يجب تحديدها، والحفاظ على ذلك التعامل متسقًا حتى يعود الملف الأربع مئة مثل الأول.

تُعيَّن الجداول البسيطة إلى Markdown بشكل نظيف. أما الخلايا المدموجة والرؤوس المتداخلة فليس لها مقابل في Markdown إطلاقًا، لذا لا بد من تنازل ما — وبدلًا من تسويتها بهدوء، يُشار إليها، لتقرر ما إذا كان ذلك الجدول يحتاج إلى البقاء صورة أو إعادة هيكلته يدويًا.

ليس حاليًا. الصفحة الممسوحة ضوئيًا هي صورة لنص وليست نصًا، وقراءة الصور ليست شيئًا يفعله هذا اليوم. هناك اختبار سريع: افتح PDF وحاول تحديد جملة بمؤشرك. إذا نجح التحديد، فسينجح التحويل أيضًا؛ وإذا لم يُبرَز شيء، فلن ينجح.

معظمها يحوّل ثم يتوقف، وهذا الشكل الصحيح عندما يكون لديك ملف واحد. أما هذا فقد بُني لأربع مئة ملف من المصدر نفسه: يُستنتج ما يُعد زوائد في ذلك القالب مرة واحدة ويُطبَّق على الباقي، ويُخبَر بما أُزيل بدلًا من أن تضطر إلى الوثوق بأن مخرجات تبدو نظيفة كاملة.