استخراج النصوص من PDF

متى تحتاج إلى استخراج النص من PDF؟

حين تريد كلمات الملف لا شكله: نسخ فقرة من قانون أو مذكرة إدارية لتضعها في بحثك، أو جمع أرقام الفواتير والمبالغ من كشف لتلصقها في جدول، أو تمرير نص مقرر دراسي إلى أداة ترجمة. بدل النسخ صفحة بصفحة من قارئ PDF، تعطيك الأداة نص الملف كاملاً في ملف نصي واحد.

ماذا تستخرج الأداة بالضبط؟

ملف PDF قد يحمل طبقة نصية حقيقية، كما في الملفات المصدَّرة من Word أو من البرامج والمواقع، وقد يكون مجرد صور لصفحات ممسوحة. الأداة تقرأ الطبقة النصية الموجودة فقط بمكتبة pdf.js، ولا تتعرف على الحروف داخل الصور (لا يوجد OCR).

• النتيجة ملف extracted_text.txt بترميز UTF-8.
• نص كل صفحة يبدأ بسطر فاصل مثل --- صفحة 1 ---.
• أجزاء النص داخل الصفحة تُوصل بمسافات، فلا تُحفظ فواصل الأسطر والفقرات، والجداول تصير سلسلة من الكلمات والأرقام.
• المعاينة تعرض أول 6000 حرف فقط، أما الملف المحمَّل ففيه النص كاملاً.

خطوات الاستخراج

1. 1
   انقر على «اختر الملفات» أو اسحب ملف PDF إلى المربع.
2. 2
   اضغط «معالجة الآن».
3. 3
   اقرأ النص في المعاينة التي تظهر تحت الأزرار، وتأكد أنه مقروء وليس فارغاً.
4. 4
   اضغط «تحميل النتيجة» لحفظ الملف النصي، وافتحه بأي محرر نصوص أو انسخ منه ما تحتاج.

إن خرجت النتيجة فارغة أو غير مرتبة

• فواصل صفحات بلا نص: الملف ممسوح ضوئياً، أي صور فقط. تحتاج إلى برنامج تعرّف ضوئي على الحروف، وقد شرحنا الفكرة في مقال ما هو OCR؟.
• حروف عربية منفصلة أو مقلوبة الترتيب: بعض البرامج تحفظ العربية داخل PDF بأشكال حروف لا بحروفها الأصلية، فيخرج النص مفككاً. الملفات المصدَّرة من Word و LibreOffice أعطت في تجاربنا نصاً عربياً سليماً في الغالب، مع أخطاء قليلة مثل «لا» التي قد تخرج «ال».
• تحتاج التنسيق والفقرات: جرّب تحويل PDF إلى Word، فهو يحاول الإبقاء على بنية أقرب إلى الأصل.

حدود الأداة

• لا OCR: الصفحات الممسوحة تعطي نصاً فارغاً.
• ملف واحد في كل مرة.
• الملف الذي يحتاج كلمة مرور لفتحه لا يُقرأ، وتظهر رسالة تطلب فتحه أولاً بأداة فك حماية PDF. الملفات المقيّدة بصلاحيات فقط (تُفتح دون كلمة مرور) تعمل عادة.
• الصور والخطوط والألوان لا تُستخرج، النص وحده.
• ترتيب النص في الصفحات متعددة الأعمدة قد يختلط.

أين تتم المعالجة؟

قراءة النص تتم في متصفحك بواسطة pdf.js، ولا يُنقل محتوى ملفك إلى أي خادم، وهذا مهم حين يتعلق الأمر بعقود أو وثائق شخصية.

أسئلة شائعة عن استخراج النص من PDF