استخراج النص من PDF
استخرج النص من مستندات PDF بسهولة، مثالي لنسخ المحتوى أو تحليل النص أو تحويل PDF إلى نص عادي.
واجهة الأداة نفسها باللغة الإنجليزية حاليًا، وتعمل بالكامل داخل متصفحك.
جارٍ تحميل الأداة…
كيف يُخزَّن النص في ملف PDF، ومتى لا يكون موجودًا
طبقة النص في ملف PDF سلسلة من التعليمات تضع الحروف عند إحداثيات معينة باستخدام خطوط مضمّنة. لا توجد فقرات، ولا ترتيب قراءة، وكثيرًا لا توجد مسافات كما تتوقعها؛ فقد تنقسم الكلمة الواحدة على عدة أوامر تموضع. والاستخراج يعني قراءة تلك التعليمات من جديد، وربط رموز الحروف بالأحرف عبر جداول ترميز الخط، وإعادة تجميعها في أسطر مقروءة.
ولهذا يصل النص المستخرج أحيانًا بفواصل أسطر غريبة أو بترتيب أعمدة مختلط في التخطيطات متعددة الأعمدة؛ فالمستند الأصلي صُمم ليُنظر إليه لا ليُحلَّل. ولهذا أيضًا لا تعطي بعض ملفات PDF شيئًا على الإطلاق: فالمستند الممسوح صورة لنص، بلا طبقة نص تُستخرج. والتعرف على الأحرف في صورة يتطلب تقنية التعرف الضوئي على الحروف (OCR)، وهي عملية مختلفة جذريًا.
لماذا أنشأنا هذه الأداة
الاستخراج هو ما تلجأ إليه عندما تحتاج الكلمات لا المستند: اقتباس بند، أو نقل تقرير إلى مستند تكتبه، أو نقل أرقام إلى جدول بيانات، أو إدخال المحتوى إلى أداة أخرى.
والمصدر عادةً عقد أو فاتورة أو تقرير لا ينبغي تسليمه إلى خادم غريب من أجل مهمة يستطيع المتصفح إنجازها وحده. نستخدم مكتبة PDF تحلل الملف محليًا، فيبقى مستندك ونصه المستخرج كلاهما داخل الصفحة. لا يُرفع شيء، ولا يُسجَّل شيء، ولا حد لعدد الصفحات، وهذا مهم عندما يكون المستند الذي تنقّب فيه مناقصة من 300 صفحة.
نصائح وأخطاء شائعة
- إذا لم يُستخرج شيء، فالملف مسح ضوئي — صورة لنص — ويحتاج إلى التعرف الضوئي على الحروف لا إلى الاستخراج.
- التخطيطات متعددة الأعمدة تُستخرج غالبًا بترتيب قراءة خاطئ؛ فافحص تلك الصفحات أولًا.
- النص العربي في بعض ملفات PDF يُستخرج بحروف منفصلة أو بترتيب معكوس، بسبب طريقة ترميز الخطوط عند إنشاء الملف؛ راجع النص العربي قبل إعادة استخدامه.
- الجداول تفقد بنيتها دائمًا تقريبًا؛ فتوقع أن تعيد بناءها لا أن تلصقها كما هي.
بداية سريعة: استخدام استخراج النص من PDF
- حمّل ملف PDF الذي تريد قراءة نصه.
- شغّل الاستخراج وانتظر حتى تُحلَّل الصفحات داخل متصفحك.
- راجع الناتج، وابدأ بالصفحات ذات الأعمدة، فهي حيث يضطرب ترتيب القراءة.
- انسخ النص الذي تحتاجه، أو نزّل الاستخراج كاملًا كملف.
- إذا لم يخرج شيء، فملف PDF مسح ضوئي؛ صفحاته صور ولا تحتوي على طبقة نص.
نظّف النتيجة بأداة حذف المسافات الزائدة أو إزالة التنسيق، واحسب ما استخرجته بأداة عدّاد الكلمات.
نوعان من PDF، ونتيجتان مختلفتان
هذا أهم ما يجب فهمه:
- ملفات PDF الرقمية، المنشأة من معالج نصوص أو بالتصدير، تحتوي على نص حقيقي قابل للتحديد. والاستخراج يسحبه بدقة، حرفًا بحرف.
- ملفات PDF الممسوحة، أي صور الصفحات، لا تحتوي على نص إطلاقًا، بل صور للنص فقط. والاستخراج العادي لا يعيد شيئًا لأنه لا يوجد ما يُنسخ؛ وتحتاج إلى التعرف الضوئي على الحروف (OCR) للتعرّف على الأحرف في الصورة.
إذا كنت تستطيع تحديد النص وتظليله في قارئ PDF، فسينجح الاستخراج. وإذا كان المؤشر يرسم مربعًا فوق الصفحة فقط، فهو مسح ضوئي.
تنظيف النص المستخرج
حتى من ملف PDF رقمي نظيف، يحتاج النص المستخرج غالبًا إلى ترتيب خفيف:
- فواصل الأسطر قد تظهر في منتصف الجمل لأن ملف PDF لفّ النص ليناسب عمودًا. احذف الفواصل الزائدة لتتدفق الفقرات.
- الأعمدة والجداول قد تُستخرج بترتيب قراءة غريب، لأن ملفات PDF تخزّن المواضع لا المعاني.
- الترويسات والتذييلات وأرقام الصفحات تُسحب مع نص المتن وتحتاج عادةً إلى حذف.
أدوات مثل حذف المسافات الزائدة وإزالة التنسيق تساعد في تنظيف الناتج بسرعة.
ماذا تفعل بالنص بعد ذلك
- اقتبس أو استشهد بفقرة دون إعادة كتابتها.
- ترجم المحتوى بلصقه في أداة ترجمة.
- انقل جدولًا إلى جدول بيانات، ثم حوّله بأداة مثل تحويل CSV إلى JSON إذا احتجت إلى بيانات منظمة.
- أعد توظيف تقرير قديم في مادة جديدة.
عندما تريد صورًا بدلًا من النص
إذا كنت تحتاج الصفحات كصور فعلًا — لشريحة عرض أو معاينة — فأداة تحويل PDF إلى صور هي الأداة المناسبة. فالاستخراج مخصص للحصول على كلمات قابلة للتعديل فقط.