استخراج النص من PDF
تقرأ هذه الأداة طبقة النص المخزّنة داخل ملف PDF وتعيد بناء الأسطر وترتيب القراءة. إذا كانت الصفحة صورة ممسوحة بلا نص فستخبرك بذلك بدل أن تعيد صفحة فارغة. تفيد لنسخ نص من ملف PDF ولصقه في مستند أو رسالة دون إعادة كتابته.
جارٍ تحميل الأداة…
المعالجة والخصوصية: تُعالَج ملفاتك داخل متصفحك ولا تُرفع إلى أي خادم.
شاهد طريقة الاستخدام
خطوات الاستخدام
- اختر ملف PDF
- اضغط استخراج النص
- النتيجة: النص جاهز للنسخ والتنزيل
طريقة الاستخدام
- اختر ملف PDF.
- حدّد نطاق الصفحات إن أردت، واختر عرض النص لكل صفحة على حدة أو مجمّعًا.
- اضغط «استخراج النص».
- راجع النتيجة وتنبيهات الصفحات التي لا تحتوي على نص.
- انسخ النص أو نزّله كملف .txt.
مثال
ملف من أربع صفحات: الصفحة 1 نص عادي، والصفحة 2 صورة ممسوحة، والصفحة 3 فارغة، والصفحة 4 نص عربي. تظهر أسطر الصفحة 1 بترتيب القراءة مع فصل الفقرات، وتظهر للصفحة 2 رسالة «لا تحتوي على طبقة نص: يبدو أنها صورة ممسوحة ضوئيًا»، وللصفحة 3 «تبدو فارغة»، ويظهر نص الصفحة 4 كما هو مخزّن في الملف.
الحدود والملاحظات
- الأداة تقرأ النص المخزّن داخل الملف فقط. لا تقوم بالتعرف الضوئي على الحروف (OCR) ولن تستخرج أي كلمة من صورة. الصفحات التي لا تحتوي على طبقة نص تُذكر برقمها ولا يُختلَق لها نص.
- يُعاد بناء الأسطر من مواضع القطع النصية: تُجمع القطع المتقاربة عموديًا في سطر واحد وتُرتَّب من اليسار إلى اليمين داخل السطر، ثم تُفصل الفقرات عند القفزات العمودية الكبيرة. لذلك قد تختلط الأعمدة المتجاورة والجداول والحواشي في مستندات معقّدة.
- النص المستخرج من العربية يعتمد على جدول ToUnicode الذي كتبه البرنامج المنتج للملف، وكثيرًا ما يخرج بالترتيب البصري مع تفكيك الروابط. في ملف الاختبار arabic-text.pdf الذي أنشأناه بأنفسنا نحصل فعليًا على «مستند تجرييب» بدل «مستند تجريبي»، و«لالختبار» بدل «للاختبار» (لأن رابطة لام-ألف تُفكّ بترتيب معكوس)، و".12345" بدل "12345.". وفي ملفات أخرى يخرج النص العربي سليمًا تمامًا. راجع النتيجة دائمًا قبل الاعتماد عليها.
- الجداول تفقد بنية الأعمدة: يصبح كل صف سطرًا واحدًا تفصل بين خاناته مسافات. تنسيق الخط والألوان والصور لا يُستخرج إطلاقًا.
- الحدود المختبَرة: ملف واحد حتى 100 MB و500 صفحة. الملفات المحمية بكلمة مرور أو المشفّرة تُرفض ولا تتجاوز الأداة الحماية.
أسئلة شائعة عن هذه الأداة
لماذا خرجت بعض الصفحات فارغة؟
لأنها صور: ملفات الماسح الضوئي وصور الهاتف المحوّلة إلى PDF لا تحتوي على حروف، بل على بكسلات فقط. تخبرك الأداة بذلك لكل صفحة. لتحويل الصورة إلى نص تحتاج إلى برنامج تعرف ضوئي (OCR)، وهذه الأداة لا تقوم بذلك ولا تدّعي ذلك.
لماذا تظهر بعض الكلمات العربية بحروف مقلوبة أو متفككة؟
لأن ملف PDF يخزّن أشكال الحروف لا الحروف نفسها، ويعتمد استرجاع النص على جدول ToUnicode الذي كتبه البرنامج المنتج. بعض البرامج تكتبه بالترتيب البصري أو تفكّك رابطة لام-ألف بترتيب معكوس. هذه مشكلة في الملف الأصلي ولا يمكن لأي أداة قراءة إصلاحها بشكل موثوق.
هل يُرفع ملفي إلى خادم؟
لا. يُقرأ الملف داخل متصفحك باستخدام pdf.js ولا يغادر جهازك، ولا يُرسل النص المستخرج إلى أي مكان.
كيف أحول ملف PDF إلى نص؟
اختر الملف واضغط «استخراج النص»، ثم انسخ النص أو نزّله كملف .txt. يعمل ذلك مع ملفات PDF التي تحتوي على طبقة نص، أما الصفحات الممسوحة ضوئيًا فتحتاج إلى برنامج تعرف ضوئي (OCR) لا توفره هذه الأداة.
هل تستخرج الأداة النص العربي من PDF؟
نعم، تستخرج النص العربي كما هو مخزّن داخل الملف، ويخرج سليمًا تمامًا في ملفات كثيرة. لكن بعض البرامج تخزّن الحروف بترتيب بصري، فتظهر كلمات مقلوبة أو متفككة، لذلك راجع النتيجة قبل الاعتماد عليها.