لماذا تفقد ملفات PDF المترجمة تنسيقها وكيف تتجنب ذلك

يحتفظ ملف Word بمعلومات عن الكلمات التي تكوّن فقرة وتلك التي تنتمي إلى جدول. أما معظم ملفات PDF فلا تفعل ذلك. فهي لا تحمل سوى الحروف والإحداثيات التي تُرسم عندها؛ أما الفقرات والجداول والجمل فيركّبها من يقرأ بعينه. وبعض ملفات PDF يحمل وسوم إمكانية وصول (تُضاف من أجل قارئات الشاشة) تحدد الفقرات والجداول، لكن كثيرًا منها لا يحملها (والمقالتان اللتان نستخدمهما مثالًا أدناه لا تحملان أيًا منها)، لذلك لا يمكن لأداة الترجمة الاعتماد عليها. وكل ما تراه بنيةً (تخطيط من عمودين، أو عنوان يمتد على عدة أعمدة، أو جملة تكتمل في الصفحة التالية) يجب استعادته أولًا قبل أي ترجمة. وبعد ذلك، على النص المترجم — وقد صار أطول أو أقصر — أن يعود ليتسع داخل التخطيط الأصلي. ويضيع التنسيق في إحدى هاتين الخطوتين.

وما ينبغي أن تفعله يعتمد على ما لديك:

• الملف الأصلي بصيغة .docx أو .pptx: ترجمه بدلًا من ملف PDF.
• ملف PDF نصي بسيط، بجداول قليلة، وحجمه أقل من 10 MB: رفع المستندات المجاني في ترجمة جوجل هو أسرع خيار لتجربته.
• بحث علمي، أو دليل، أو تقرير فيه جداول أو معادلات أو عمودان: استخدم أداة ترجمة تعيد بناء التخطيط، ثم تحقق من المواضع الأربعة الواردة في القسم 3.
• ملف ممسوح ضوئيًا (لا يمكنك تحديد النص فيه): يحتاج إلى التعرف على النص (OCR) قبل أن يمكن ترجمته. وتقبل DeepL الملفات الممسوحة ضوئيًا وتتولى هذه الخطوة بنفسها. أما ترجمة جوجل فتترك الصفحات الممسوحة ضوئيًا بدون ترجمة.

1. ماذا ترى أداة الترجمة فعلًا داخل ملف PDF؟

نحن نبني أداة لترجمة المستندات، ولذلك نقضي وقتًا طويلًا في النظر إلى ما يخرج من ملفات PDF. ولتوضيح ذلك، أخذنا مقالتين عن نماذج اللغة في الذكاء الاصطناعي من arXiv، هما LLaMA و Mistral 7B، واستخرجنا نصّهما باستخدام mutool من MuPDF، وهي أداة مفتوحة المصدر شائعة للتعامل مع PDF. وهذا النص هو تقريبًا ما تعمل عليه الأداة ما لم تكن تقرأ التخطيط أيضًا. وفي ما يلي يُعرض كل مقطع أولًا كما يبدو على الصفحة، ثم كما يخرج بعد الاستخراج (والسطر الذي يحتوي على … فقط يعني أننا تخطينا بعض الأسطر).

1.1 تتحول الجداول إلى قائمة من الأرقام

يقارن الجدول 3 في مقالة LLaMA عشرة نماذج في ثمانية اختبارات:

وبعد الاستخراج يصبح 102 سطرًا: خمسة أسطر للترويسة، ثم قيمة واحدة في كل سطر. وهذه أول 16 سطرًا؛ أما القيم العشر من GPT-3 إلى 57.6 فهي الصف المُمَيَّز.

BoolQ
PIQA
SIQA HellaSwag WinoGrande ARC-e
ARC-c
OBQA
GPT-3
175B
60.5
81.0
-
78.9
70.2
68.8
51.4
57.6
Gopher

ولا شيء يخبر أداة الترجمة أي رقم يتبع أي اختبار. وإذا لصقت ذلك في مربع الترجمة، فستحصل على القائمة نفسها. الكلمات تُترجم، أما الجدول فيختفي.

1.2 جملة واحدة، وفي داخلها جدول كامل

آخر جملة في صفحة 3 من مقالة LLaMA تتوقف عند "we need to":

وتستمر في العمود الأيسر من صفحة 4، مباشرة تحت الجدول 3:

وفي النص المستخرج، تقع حاشية سفلية، وانتقال الصفحة، وكل الأسطر الـ 102 من الجدول، وعنوانه، داخل هذه الجملة الواحدة:

To fully benefit from this optimization, we need to
2https://github.com/facebookresearch/xformers
BoolQ
PIQA
…
Table 3: Zero-shot performance on Common Sense Reasoning tasks.
reduce the memory usage of the model by using

ويتكرر الأمر بعد صفحتين. تنتهي صفحة 5 عند "…the textual description and tests in a"، ولا يظهر "docstring." إلا بعد الجدول 7 في صفحة 6، وبينهما 44 سطرًا من الجدول وعنوان من سبعة أسطر.

أما الأداة التي تترجم صفحة بصفحة، أو تتبع النص بهذا الترتيب نفسه، فتحصل على شطرين لا سبب لديها لوصلهما. وفي الملف المترجم ترى جملة تخبو في أسفل الصفحة، ويظهر شطرها الآخر في مكان ما تحت جدول.

1.3 تتحول الأحرف المنخفضة والكسور إلى شيء آخر

في مقالة Mistral، تُكتب متغيّر h مع حرف منخفض i:

وبعد الاستخراج يختفي الحرف المنخفض ويبقى hi:

former to attend information beyond the window size W. The hidden
state in position i of the layer k, hi, attends to all hidden states from

ولا سبب لدى أداة الترجمة لتعامل ذلك معاملة المتغيّر. فبالنسبة إليها، hi مجرد كلمة إنجليزية شائعة.

والكسور أسوأ حالًا. ففي LLaMA جُعلت إحدى القيم ثلثَي القيمة 4d، وكُتبت هكذا ⅔·4d، على أن ⅔ مركّب من 2 صغير فوق 3:

improve the performance. We use a dimension of
2
34d instead of 4d as in PaLM.

وهكذا صار ثلثا 4d هو 34d. الأحرف المرتفعة والكسور والرموز من خطوط الرياضيات ليست سوى أشكال موضوعة في مواضع محددة. النص المستخرج يحتفظ بالأشكال ويفقد المواضع.

1.4 تُقطع الكلمات في نهاية السطر

تقطع المقالات ذات العمودين كثيرًا من الكلمات في نهاية السطر. ففي LLaMA، تقطع 242 سطرًا كلمة عادية بحروف صغيرة بواصلة. وإعادة وصلها تبدو سهلة حتى تصطدم بواصلة هي جزء من اسم:

We introduce LLaMA, a collection of founda-
tion language models ranging from 7B to 65B
…
(175B) on most benchmarks, and LLaMA-
65B is competitive with the best models,

founda- و tion تكوّنان كلمة واحدة بدون الواصلة. أما في LLaMA- و 65B فالواصلة جزء من اسم النموذج ويجب أن تبقى.

لم نستخدم سوى أداة استخراج واحدة، على مقالتين صُفّتا بـ LaTeX، وهو نظام تنضيد شائع في النشر العلمي. وقد تعطي ملفات PDF المُصدَّرة من Word، والمستندات الممسوحة ضوئيًا، وأدوات الاستخراج الأخرى نتائج مختلفة، لكن هذه الأنواع الأربعة من التلف هي ما ينبغي البحث عنه.

2. ما الخيارات المتاحة أمامك؟

معلومات ترجمة جوجل و DeepL مأخوذة من صفحتي المساعدة الخاصتين بهما، وتم التحقق منها في 7 أكتوبر 2026. وحين تكون ترجمة ملف PDF مخيّبة للآمال، تنصح DeepL برفع المستند الأصلي بدلًا من ذلك. وهذا يطابق نصيحتنا.

والسطر الأخير هو بالضبط ما صُمّمت من أجله ترجمة المستندات من Equalang، فهو الأسلوب الذي نعرفه أفضل. فقبل الترجمة، تعيد Equalang وصل الجمل التي قطعها انتقال الصفحة إلى شطرين. وتُعاد بناء الجداول ذات الخلايا المدمجة والترويسات متعددة الصفوف في بنيتها الأصلية، بدلًا من تسطيحها في قائمة واحدة. ولا تُلقى المعادلات بوصفها نصًا غير مقروء، وثمة خيار لتحسين المعادلات للمعادلات الصعبة التي تقع داخل سطر النص.

وما لا تفعله هو إعادة إنتاج الأصل تمامًا كما هو. فالترجمة التي تكون أطول من الأصل تزيح فواصل الأسطر وأحجام الخطوط، ولذلك تبقى الصفحات ذات التخطيط المزدحم جديرة بالمراجعة. وتغطي ترجمة المستندات حاليًا الصينية والإنجليزية واليابانية والكورية والإسبانية والفرنسية ولغات أخرى.

3. ماذا تتحقق بعد ترجمة ملف PDF؟

1. الجداول. هل ما زالت الترويسات فوق العمود الصحيح؟ وهل الأرقام ظلت كما هي؟
2. فواصل الصفحات والنص أسفل كل جدول. اقرأ آخر سطر في كل صفحة والجملة المباشرة بعد كل جدول. الجملة التي تتوقف ولا تكتمل أبدًا هي أكثر العلامات شيوعًا على أن النص تُرجم على أجزاء.
3. المعادلات والمتغيّرات. تحقق من عدد منها يقع داخل سطر النص. ابحث عن حروف صارت كلمات، وعن كسور صارت أرقامًا أخرى.
4. عدد الصفحات والروابط. عدد الصفحات المختلف كثيرًا يعني أن نصًا ضاع أو انسكب على صفحات إضافية. انقر مدخلًا أو مدخلين في جدول المحتويات لترى إن كانت تعمل.

المصادر

• Touvron et al., "LLaMA: Open and Efficient Foundation Language Models", arXiv:2302.13971v1, CC BY 4.0.
• Jiang et al., "Mistral 7B", arXiv:2310.06825v1, CC BY 4.0.
• مساعدة ترجمة جوجل، Translate documents & websites، تم التحقق في 7 أكتوبر 2026.
• مركز مساعدة DeepL، Translate PDF files، تم التحقق في 7 أكتوبر 2026.
• الطريقة: استُخرج النص في 7 أكتوبر 2026 باستخدام MuPDF 1.25.6، والأمر mutool draw -q -F txt -o out.txt in.pdf. والأشكال مقتطعة من صفحات المقالتين؛ والتمييز من صنعنا.