تحويل PDF إلى نص

كيف تستخرج النص من ملف PDF

1. أفلت ملف PDF في منطقة الإفلات، أو انقر عليها لاختياره. تعرض الأداة اسمه وعدد صفحاته وحجمه.
2. إن أردت، اكتب في الصفحات (اختياري) الصفحات المراد قراءتها، مثل 1-3, 5 أو 8-، بفواصل لاتينية وأرقام غربية. اترك الحقل فارغًا لاستخراج كل الصفحات.
3. اختر ترتيب القراءة: كما هو مخزّن في الملف (الأفضل للأعمدة) أو من الأعلى إلى الأسفل، ومن اليسار إلى اليمين.
4. حدّد أو ألغِ تحديد إضافة فواصل بين الصفحات والإبقاء على فواصل الأسطر.
5. انقر استخراج النص. تعرض المستندات الطويلة تقدّمها صفحةً صفحة، ويوقف زر إيقاف العملية مبكرًا مع الاحتفاظ بالصفحات المقروءة.
6. راجع عدد الصفحات والكلمات والأحرف والأسطر، ثم انقر نسخ أو تنزيل ‎.txt.

يمكن تغيير مربعَي الاختيار بعد الاستخراج: يُعاد تنسيق النص فورًا دون قراءة الملف من جديد.

طبقة نص أم صفحة ممسوحة ضوئيًا؟

ملف PDF المنشأ من معالج نصوص أو جدول بيانات أو بأمر «حفظ بصيغة PDF» يحتوي على طبقة نص: الأحرف الحقيقية بخطها وموضعها. تقرأ هذه الأداة تلك الطبقة بمكتبة PDF.js، فتكون النتيجة دقيقة، مع الحفاظ على الحروف والرموز. ويشمل ذلك النصوص العربية: تُستخرج الحروف كما خزّنها البرنامج الذي أنشأ الملف.

أما ملف PDF الممسوح ضوئيًا فمختلف: كل صفحة مجرد صورة لورقة، ولا يوجد نص لقراءته. عندما لا تحتوي صفحة محددة على نص لكنها تحتوي على صورة، تخبرك الأداة بذلك وتذكر الصفحات المعنية. التعرف الضوئي على الحروف (OCR) غير متوفر: لا يمكن استخراج نص الصفحات الممسوحة هنا. والصفحات التي لا تحتوي على نص ولا صور تُعدّ فارغة.

ترتيب القراءة والتخطيط

لا يخزّن ملف PDF فقرات، بل قطعًا من النص مع إحداثياتها. تعيد الأداة بناء الأسطر من القطع التي تشترك في خط أساس واحد، وتضيف مسافة حيث توجد فجوة مرئية، وتترك سطرًا فارغًا حيث تكون الفجوة العمودية كبيرة، وهو ما يفصل الفقرات عادةً.

• كما هو مخزّن في الملف (الأفضل للأعمدة) يتبع الترتيب الذي كتب به البرنامج المنتج النص. وهو الترتيب الطبيعي للقراءة في معظم المستندات، ومنها المقالات ذات العمودين، وهو الخيار الأنسب عادةً للمستندات العربية.
• من الأعلى إلى الأسفل، ومن اليسار إلى اليمين يرتّب القطع حسب موضعها في الصفحة. جرّبه حين يعطي الخيار الأول نصًا مبعثرًا، مع العلم أنه يقرأ عبر الأعمدة مباشرة، ولأنه يقرأ كل سطر من اليسار، فقد ينعكس ترتيب أجزاء السطر في النصوص العربية.

مع إضافة فواصل بين الصفحات، تبدأ كل صفحة بسطر مثل --- الصفحة 3 ---، وهو مفيد للاستشهاد بمقطع أو التحقق منه.

دمج الأسطر في فقرات

عند تحديد الإبقاء على فواصل الأسطر، يبقى كل سطر من ملف PDF سطرًا في النص. ألغِ التحديد لدمج أسطر كل فقرة في سطر واحد، وهو أفضل للّصق في مستند أو في أداة ترجمة. وتُعاد الكلمة المقسومة بشرطة في نهاية السطر إلى أصلها حين يبدأ السطر التالي بحرف لاتيني صغير (مثل «exam-» + «ple»). ولا ينطبق ذلك على العربية، التي لا تُقسم كلماتها بالشرطات عادةً. والحد الوحيد: الكلمة المركبة التي تنقسم عند شرطتها الأصلية («well-» + «known») تفقد تلك الشرطة، فراجع المقاطع المهمة.

الخصوصية

يقرأ متصفحك ملف PDF على جهازك. لا يُرسل الملف ولا النص المستخرج إلى أي خادم.