استخراج الجداول من PDF

ملف الـ PDF لم يُصمَّم ليُقرأ آلياً — صُمِّم ليُعرَض بشكل متطابق على أي شاشة وأي طابعة. الجدول الذي تراه عيناك ليس "جدولاً" داخل الملف، بل مجموعة من النصوص موضوعة عند إحداثيات (x, y) محدّدة، مع خطوط رُسمت بشكل منفصل تماماً عن النص. لا توجد بنية تقول "هذه خليّة في الصف الثالث، العمود الثاني". لهذا تفشل عمليّة النسخ واللصق المباشرة إلى Excel.

مع العربية تتضاعف المشكلة: النص يُكتب من اليمين لليسار، لكن محرّكات استخراج PDF تقرأ المحارف بترتيب التخزين الداخلي الذي قد يكون معكوساً أو مفكَّك الحروف (كل حرف منفصل دون وصل). النتيجة المعتادة: أعمدة مبعثرة، كلمات مقلوبة، وأرقام تهاجر إلى الخليّة الخطأ.

قبل أي محاولة، حدّد نوع ملفّك. إذا استطعت تحديد النص بالماوس ونسخه، فالملف "نصّي" (Text-based) وتوجد طبقة نص قابلة للاستخراج برمجياً. أمّا إذا كان الملف صورة ممسوحة (Scanned) فلا يوجد نص إطلاقاً — مجرّد بكسلات، واستخراج الجدول منه يتطلّب التعرّف الضوئي على الحروف (OCR) أولاً.

هذه الأداة تتعامل مع طبقة النص الموجودة داخل ملفّات PDF النصّية: تقرأ المحارف وإحداثيّاتها وتحاول إعادة بنائها في صفوف وأعمدة. للملفّات الممسوحة ضوئياً تحتاج خطوة سابقة عبر أداة OCR عربية، ثم تُعيد استخراج الجدول من الناتج.

الفكرة الأساسية في أي مستخرج جداول هي التجميع المكاني (Spatial Clustering). المحارف التي تشترك في نفس الإحداثي الرأسي (y) تنتمي غالباً إلى الصف نفسه، والتي تتقارب في الإحداثي الأفقي (x) تنتمي إلى العمود نفسه. تُرسَم حدود الأعمدة إمّا من الخطوط الفعلية في الصفحة، أو من الفجوات البيضاء المتكرّرة بين كتل النص (Whitespace detection).

الجداول ذات الحدود الواضحة (خطوط بين كل خليّة) أسهل بكثير من الجداول "المفتوحة" التي تعتمد على المسافات فقط. كذلك الجداول التي تمتدّ خليّة واحدة فيها على سطرين تربك الخوارزميّة، إذ يصعب الجزم هل السطر الثاني استكمال للخليّة أم صفّ جديد.

أوّل ما يجب فحصه بعد الاستخراج: اتجاه الكلمات. إن ظهرت الكلمات مقلوبة الحروف فالملف خُزِّن بترتيب "مرئي" لا منطقي، وستحتاج إلى عكس ترتيب المحارف في كل خليّة. ثانياً: الأرقام. الأرقام العربية الهنديّة (٠١٢٣) قد تُقرأ كرموز مختلفة عن الأرقام اللاتينية (0123) — وحّدها قبل أي عمليّة حسابيّة.

ثالثاً: التشكيل والمحارف غير المرئية مثل علامة الاتجاه (RLM/LRM) قد تُحقَن داخل النص وتكسر المطابقة. نظّف الناتج من هذه المحارف. ورابعاً: علامات العملة والنِّسَب (٪، ر.س) قد تنفصل عن أرقامها وتسقط في عمود مجاور — تحقّق يدوياً من الأعمدة الرقميّة بعد الاستخراج.

الخطوة الأولى: استخرج النص أولاً وتحقّق من سلامته بصرياً. الخطوة الثانية: صدّر إلى CSV بترميز UTF-8 مع BOM حتى يفتحه Excel بعربيّة سليمة (راجع دليل تصدير CSV العربي). الخطوة الثالثة — وهي الأهم: راجع كل صفّ يدوياً. لا توجد أداة استخراج جداول تبلغ دقّة 100٪ مع العربية، والمراجعة البشرية ليست ترفاً بل ضرورة لأي بيانات ماليّة أو رسميّة.

إذا كان لديك مئات الملفّات بنفس القالب (كفواتير موحّدة)، فالاستثمار في قالب استخراج ثابت (تحديد مواضع الأعمدة مرّة واحدة) يوفّر ساعات. أمّا للملفّات المتنوّعة، فالاستخراج التفاعلي ثم المراجعة هو الطريق الأكثر أماناً.

إن كان ملفّك صورةً ممسوحة فابدأ بـ OCR ملفات PDF الممسوحة ضوئياً، ولاستخراج بنية المستند كاملةً جرّب تحويل PDF إلى Markdown، أمّا الفواتير تحديداً فلها أداة تحليل الفواتير العربية المتخصّصة، ولتحويل الأرقام إلى نصّ مكتوب استخدم أداة التفقيط.