كيف تستخرج النص من ملف PDF
- أفلت ملف PDF على منطقة الإفلات أعلاه، أو انقر لتحديده.
- انقر على استخراج النص. يُقرأ نص كل صفحة بالترتيب ويظهر في مربع معاينة، مع علامة مثل
--- الصفحة 2 ---في بداية كل صفحة. - انسخ النص من مربع المعاينة، أو نزّله كملف
.txtعادي (UTF-8).
يجري الاستخراج بواسطة pdf.js، وهو المحرك نفسه الذي يشغّل عارض PDF المدمج في Firefox، ويعمل داخل علامة تبويب متصفحك. لا يُرفع المستند، فيمكنك استخراج النص بأمان من العقود والأوراق البحثية وكشوف الحساب.
كيف يعمل استخراج النص من PDF
داخل ملف PDF، لكل صفحة تدفق محتوى (content stream): قائمة تعليمات رسم مثل «استخدم الخط F1 بحجم 11 نقطة، وانتقل إلى الموضع (72, 700)، واعرض هذه الأحرف». لذا يُخزَّن النص على شكل أجزاء محددة المواضع، أحيانًا سطر كامل، وأحيانًا كلمة واحدة أو حتى أحرف منفردة.
ولتحويل ذلك إلى نص مقروء، تقوم أداة الاستخراج بما يلي:
- فك ترميز كل جزء من رموز الأحرف الداخلية للخط إلى Unicode، باستخدام جداول التعيين المضمّنة في ملف PDF؛
- ترتيب الأجزاء بحسب موضعها في الصفحة؛
- إدراج المسافات وفواصل الأسطر حيث تشير الفجوات بين الأجزاء إلى كلمات وأسطر جديدة.
ولأن PDF لا يتضمن مفهومًا صريحًا للفقرات أو لترتيب القراءة، فإن الناتج نص عادي بفواصل أسطر وليس فقرات منسقة. ومع معظم المستندات (الرسائل والتقارير والكتب والمقالات) يُقرأ الناتج بشكل طبيعي.
القيود
| الحالة | ما ستراه |
|---|---|
| صفحات ممسوحة ضوئيًا أو مصوّرة | لا يوجد نص – الصفحة صورة، ولا تتوفر خاصية التعرف الضوئي على الحروف (OCR) |
| تخطيطات متعددة الأعمدة | قد تتداخل الأعمدة سطرًا بسطر |
| الجداول | قيم الخلايا في أسطر، دون شبكة |
| خطوط بلا تعيين Unicode | أحرف مشوّهة أو مفقودة |
| PDF محمي بكلمة مرور / مشفّر | لا يمكن فتح الملف |
يكفي اختبار سريع لتعرف ما تتوقعه: افتح ملف PDF في أي عارض وحاول تحديد جملة. إذا استطعت تظليلها ونسخها فيمكن استخراج النص. أما إذا ظُلّلت الصفحة كلها ككتلة واحدة، أو لم يُظلَّل شيء، فهي صورة.
نصائح
- هل تريد الإبقاء على العناوين والفقرات بدلًا من الأسطر العادية؟ استخدم تحويل PDF إلى Word في وضع التحرير.
- بالنسبة للأرقام المرتبة في جداول، يضع تحويل PDF إلى Excel القيم في صفوف وأعمدة.
- النص العادي مثالي لفهارس البحث وأدوات الترجمة وعدّ الكلمات ومُلخِّصات الذكاء الاصطناعي وبرامج إمكانية الوصول، لأنه لا يحتوي على تنسيق يجب التخلص منه.
الأسئلة الشائعة
لماذا تظهر لي رسالة «لم يُعثر على نص»؟
يحتوي ملف PDF على صور لنصوص وليس على نص حقيقي، وهذا شائع في المسوحات الضوئية. ولا يمكن استعادة النص من هذه الملفات إلا ببرامج التعرف الضوئي على الحروف (OCR).
لماذا تُستبدل بعض الأحرف برموز غريبة؟
تضمّن بعض ملفات PDF خطوطًا برموز أحرف مخصصة ودون تعيين Unicode. يستطيع العارض رسم الأشكال، لكن لا توجد طريقة موثوقة لمعرفة الحروف التي تمثلها.
هل يُحفظ التنسيق مثل الخط الغامق أو حجم الخط؟
لا. الناتج نص UTF-8 عادي. يصبح كل سطر من الصفحة سطرًا نصيًا، لكن الخطوط والألوان والصور لا تُحفظ.
هل يمكنني استخراج النص من صفحات محددة فقط؟
تستخرج الأداة المستند كاملًا. وللحد من ذلك، احفظ أولًا الصفحات التي تحتاجها في ملف منفصل بواسطة تقسيم PDF.
آخر تحديث
التعليقات
سجّل الدخول لتقييم هذه الأداة.
شارك نصيحة أو اطرح سؤالًا أو أخبر الآخرين كيف عملت الأداة معك.
لا توجد تعليقات بعد. كن أول من يشارك تجربته.