العربية
كيف تستخرج النص من ملف PDF
لاستخراج النص من ملف PDF، أفلت الملف في المربع أعلاه. يظهر النص على اليمين فور قراءة الصفحات، ويمكنك نسخه أو تنزيله كملف .txt أو Markdown. كل شيء يحدث داخل متصفحك، لذلك لا يُرسل عقد أو كشف حساب بنكي أو مخطوطة غير منشورة إلى أي خادم.
- أضف ملفًا واحدًا أو عدة ملفات. استخدم زر المثال إذا أردت فقط أن ترى ما تفعله الأداة.
- اختر نصًا عاديًا أو Markdown، وقرر إن كان يجب دمج الأسطر في فقرات.
- اكتب نطاق صفحات إذا كنت تحتاج جزءًا من الملف فقط، مثل 1-3, 5, 8-.
- راجع النتيجة في عرض المستند كاملًا أو صفحة بصفحة، ثم انسخها أو نزّلها. ومع عدة ملفات، يعطيك تنزيل الكل (.zip) ملف نص واحدًا لكل PDF.
عدد الكلمات والحروف فوق النص يخص الصفحات التي اخترتها، وهو مفيد لعد سريع لتقرير طويل دون فتح برنامج معالجة نصوص.
لماذا يبدو النص المنسوخ من PDF مكسورًا
ملف PDF لا يحتوي على فقرات، بل على قطع من النص لها إحداثيات، ترسمها بالترتيب الذي اختاره البرنامج الذي أنشأ الملف. وإذا نسخت من قارئ PDF، تحصل على فاصل سطر في نهاية كل سطر مطبوع، وكلمات مقطوعة بشرطات، وفي مقال من عمودين يأتي السطر الأول من العمود الأيسر ثم السطر الأول من العمود الأيمن.
تعيد هذه الأداة بناء البنية من الإحداثيات:
| المشكلة عند النسخ | ما تفعله الأداة | الخيار |
|---|---|---|
| فاصل سطر بعد كل سطر مطبوع | تصل أسطر الفقرة ببعضها، وتحتفظ بالمسافات بين الفقرات | فواصل الأسطر |
| كلمة مقسومة بشرطة بين سطرين | تحذف الشرطة وتوصل الكلمة | أصلح الكلمات المقسومة بشرطة |
| أعمدة مختلطة ببعضها | تقرأ العمود الأيسر حتى أسفله، ثم العمود التالي | اقرأ الأعمدة واحدًا بعد الآخر |
| رقم الصفحة وعنوانها في كل صفحة | تُسقط الأسطر المتكررة في الهامش العلوي أو السفلي | أزل الرؤوس والتذييلات المتكررة |
| جدول انهار إلى تيار من الكلمات | تحافظ على الصفوف والأعمدة، مفصولة بالتاب أو كجدول Markdown | اكشف الجداول |
تنبيه بخصوص إصلاح الشرطة: يصل الجزء الذي يكمل الكلمة بالكلمة التي قبله، لذلك فإن كلمة مركبة تنقسم عند شرطة بالصدفة، مثل "متعدد-
الأطراف"، تتحول إلى "متعددالأطراف". ألغِ تحديد الخيار للمستندات الكثيرة المركبات.
نص عادي أم Markdown؟
النص العادي هو الخيار الأكثر أمانًا للصق في بريد إلكتروني أو تطبيق ملاحظات أو أداة ترجمة. أما Markdown فأفضل حين يدخل النص في توثيق أو ويكي أو تطبيق ملاحظات يفهمه. تُخمّن الأداة العناوين من حجم الخط: فيصبح أكبر حجم عنوانًا بعلامة #، والذي يليه ##، ثم ###. وتحتفظ القوائم النقطية والمرقمة بعلاماتها، وتتحول الجداول إلى جداول Markdown. والملف الذي يستخدم حجم خط واحدًا لكل شيء لن تجد فيه عناوين أصلًا.
ملفات PDF الممسوحة ضوئيًا وOCR
المسح الضوئي صورة لصفحة، لذلك لا يوجد نص لاستخراجه. وحين تكون الصفحة بلا طبقة نص، تظهر خانة OCR حيث تختار اللغة وتقرأ الصفحات. يعمل محرك OCR (Tesseract) داخل متصفحك. ويُحمَّل المحرك وبيانات اللغة في أول استخدام لك (بضعة ميغابايتات، وأكثر لبعض اللغات)، ومع ذلك لا تُرفع صفحاتك.
- المسح النظيف بدقة 300 DPI يعطي نتائج جيدة. أما صورة الهاتف المأخوذة بزاوية، مع ظلال، فنتائجها أسوأ بوضوح.
- اختر اللغة الصحيحة. OCR بالإنجليزية على صفحة عربية لن يتعرف تقريبًا على أي حرف.
- الجداول والتخطيطات متعددة الأعمدة أقل موثوقية مع OCR منها مع النص الحقيقي. راجع الأرقام بعناية بوجه خاص.
ما الذي لا تستطيع فعله
النص الذي هو جزء من صورة أو مخطط بياني أو رسم لا يُعد نصًا في ملف PDF، ويُتخطى ما لم تستخدم OCR على الصفحة. قد تُقرأ التخطيطات المعقدة ذات الصناديق العائمة أو الأشرطة الجانبية أو النص الملتف حول الصور بترتيب خاطئ، وأسرع طريقة لكشفها هي عرض صفحة بصفحة. وقد تعطي ملفات PDF التي أُنشئت بترميز خط تالف حروفًا مشوهة، وستراها في النتيجة قبل أن تنزل أي شيء. ويُتخطى النص المكتوب بشكل مدوّر. وتُرفض الملفات التي تتجاوز 150 ميغابايت حتى لا تنفد ذاكرة علامة التبويب.
الأسئلة الشائعة
كيف أستخرج النص من ملف PDF دون رفعه؟
أفلت الملف فوق هذه الصفحة، وسيظهر النص على اليمين بعد لحظة، جاهزًا للنسخ أو للتنزيل بصيغة TXT. متصفحك هو الذي يقرأ الملف، فلا يغادر شيء هاتفك أو حاسوبك. ملف PDF نصي من 20 صفحة يستغرق بضع ثوانٍ.
لماذا يظهر النص المنسوخ من PDF بأسطر مكسورة ومسافات غريبة؟
ملف PDF يخزن كل سطر كقطع منفصلة موضوعة على الصفحة، وليس كفقرات. تعيد هذه الأداة القطع إلى ترتيب القراءة، وتصل أسطر كل فقرة ببعضها، وتصلح الكلمات التي قُسمت بشرطة في آخر السطر، فيُلصق النص في المستند بشكل نظيف. وإذا أردت الأسطر كما طُبعت تمامًا، فغيّر فواصل الأسطر إلى الإبقاء على فواصل الأسطر.
هل تستطيع قراءة ملفات PDF ذات عمودين أو ثلاثة بالترتيب الصحيح؟
نعم في معظم الحالات. تبحث الأداة عن فاصل رأسي واضح، وتقرأ كل عمود من أعلى إلى أسفل قبل الانتقال إلى العمود التالي، بينما يبقى العنوان العريض فوق الأعمدة في أعلى النص. ومع ذلك قد تخرج صفحات المجلات التي يلتف فيها النص حول الصور أو الأشرطة الجانبية أو الصناديق غير المنتظمة بترتيب خاطئ، فراجع هذه الصفحات في عرض صفحة بصفحة.
كيف أستخرج النص من ملف PDF ممسوح ضوئيًا؟
استخدم خانة OCR التي تظهر حين تكون الصفحة بلا طبقة نص. اختر لغة المستند واضغط قراءة الصفحات بـ OCR. يعمل المحرك في متصفحك، وتُحمَّل بيانات اللغة مرة واحدة في أول تشغيل. يُقرأ المسح النظيف بدقة 300 DPI جيدًا، أما صورة الهاتف المائلة فأسوأ كثيرًا، لذلك راجع النتيجة.
هل يمكنني الحصول على النص بصيغة Markdown مع العناوين؟
نعم. اختر Markdown (.md) فيتحول النص الأكبر حجمًا إلى عناوين: الحجم الأكبر يصبح #، والذي يليه ##، ثم ###. وتحتفظ القوائم النقطية والمرقمة بعلاماتها، وتتحول الجداول إلى جداول Markdown. ويُخمَّن العنوان من حجم الخط، لذلك لن يكون لملف يستخدم حجمًا واحدًا في كل مكان أي عناوين.
كيف أزيل الرؤوس والتذييلات وأرقام الصفحات من النص المستخرج؟
أبقِ خيار إزالة الرؤوس والتذييلات وأرقام الصفحات المتكررة مفعّلًا. تُحذف الأسطر في الهامش العلوي أو السفلي التي تتكرر في نصف الصفحات على الأقل، وكذلك أرقام الصفحات المنفردة. ويُحتفظ بالعنوان الذي يظهر في صفحة واحدة فقط. ألغِ تحديد الخيار إذا كان التذييل الذي تحتاجه يُحذف.
هل يمكنني استخراج النص من بعض الصفحات فقط أو من ملفات كثيرة دفعة واحدة؟
اكتب الصفحات مثل 1-3، 5، 8- في خانة الصفحات، فلا تُقرأ إلا تلك الصفحات. ويمكنك أيضًا إضافة عدة ملفات PDF وتنزيل ملف نصي لكل منها في ملف .zip واحد. وتنطبق الخيارات ونطاق الصفحات نفسها على كل ملف.
هل يوجد حد لحجم ملف PDF؟
يمكن فتح ملفات تصل إلى 150 ميغابايت، ويُقرأ حتى 3000 صفحة في المرة الواحدة. تُعالج الصفحات واحدة تلو الأخرى مع شريط تقدم وزر إلغاء، فلا يتجمد التبويب مع ملف من 200 صفحة. والملفات المحمية بكلمة مرور تطلب كلمة المرور، وتستخدمها فقط لفتح الملف على جهازك.