استخرج النص من أي ملف PDF كنص عادي

نوعان من ملفات PDF، ومشكلتان مختلفتان

يحفظ ملف PDF نصه بإحدى طريقتين، والطريقة التي لديك تحدد تقريبًا كل شيء عن مدى صعوبة استخراج النص.

ملف PDF المحفوظ من Word أو Google Docs أو برنامج تصميم يحمل الحروف الفعلية بداخله. واستخراج ذلك النص فوري، لأنه موجود أصلًا.

أما الملف الممسوح أو الصورة فيحتوي فقط على صورة للنص. ويجب التعرّف على الحروف في تلك الصورة قبل استخراجها، وتسمّى هذه الخطوة التعرّف الضوئي على الحروف (OCR).

تستغرق الملفات الممسوحة وقتًا أطول قليلًا، والنتيجة دقيقة جدًا لكنها ليست مثالية. ونفضّل أن نقول ذلك صراحة على أن نذكر رقمًا لا نستطيع الالتزام به.

انسخ النص من ملف PDF ممسوح ضوئيًا

إذا كان برنامج عرض PDF لا يستطيع تحديد أي نص أو نسخه، فالملف ممسوح. ارفعه هنا وسيعيد لك قارئ التعرّف الضوئي هذا النص بشكل يمكنك نسخه والبحث فيه وتعديله.

تحديد اللغة يفيد غالبًا. يعمل خيار الاكتشاف التلقائي جيدًا في معظم الصفحات، لكن اختيار الإنجليزية أو الأردية أو العربية أو الصينية أو أي لغة أخرى من 39 لغة بنفسك يعطي نتائج أفضل بوضوح في المستندات المختلطة أو غير اللاتينية.

• امسح بدقة 300 DPI أو أعلى. فما دون ذلك تضيع التفاصيل الدقيقة ويخطئ التعرّف الضوئي أكثر.
• قوّم الصفحات المائلة قبل رفعها. فحتى ميل بضع درجات يجعل النتيجة أسوأ.
• المسح المستوي يعطي نتائج أفضل من الصور الملتقطة بزاوية.
• الإضاءة الجيدة المتساوية أهم مما تظن: فالظل على الصفحة يجعل الحروف أصعب في القراءة.

وأخيرًا، هل تريد أن يصبح ملف PDF نفسه قابلًا للبحث، بالشكل نفسه الذي هو عليه الآن؟ هذه عملية مختلفة: أداة التعرّف الضوئي على ملفات PDF تضيف طبقة نص مخفية إلى ملف PDF، بدلًا من إخراج ملف نصي منفصل.

عندما يخرج النص مختلطًا

الأوراق الأكاديمية والمجلات والصحف مصفوفة في أعمدة. والمحوّل الذي يقرأ أفقيًا عبر الصفحة يخلط الأعمدة معًا، فتخرج النتيجة بلا معنى.

محوّل PDF إلى نص هذا يتعرّف على الصفحات ذات العمودين ويقرأ كل عمود من الأعلى إلى الأسفل قبل الانتقال إلى التالي.

• حافظ على فواصل الأسطر ينهي الأسطر حيث تنتهي في الصفحة. وتبقى الأعمدة تُقرأ واحدًا تلو الآخر.
• ادمج في فقرات يضم الأسطر التي لم تنقسم إلا بسبب عرض الصفحة. الأفضل عند اللصق في مستند أو بريد إلكتروني.
• حافظ على التخطيط يُبقي الكلمات في أماكنها على الصفحة، فتصطف الأعمدة والجداول بخط ثابت العرض.
• كتلة نص واحدة يضع كل شيء في سطر واحد، للصق في نموذج أو في خلية جدول بيانات.

بعض ملفات PDF مصنوعة بخطوط حروفها ليست رموزًا حقيقية، فالنسخ منها يعطي كلامًا بلا معنى. يُتعرَّف على صفحات كهذه وتُقرأ بالتعرّف الضوئي بدلًا من ذلك. ويمكنك أيضًا فرض ذلك على المستند كله بخيار أعد قراءة كل صفحة بالتعرّف الضوئي.

TXT أو Word أو Markdown أو صفحة ويب أو JSON

• ملف نص عادي (.txt) هو الكلمات، والكلمات فقط. هذا هو التحويل القياسي من PDF إلى TXT الذي يتيح اللصق في مكان آخر أو التمرير إلى برنامج آخر.
• ملف Word ‏(.docx) يُفتح في Word أو Google Docs، مع الحفاظ على الجداول كجداول وإدراج صفحات جديدة كما في ملف PDF الأصلي.
• ملف Markdown ‏(.md) يحافظ على العناوين والجداول بصيغة Markdown، لاستخدامها بسهولة في تطبيقات الملاحظات أو الويكي أو من قبل المطورين.
• ملف صفحة ويب (.html) يحتوي على وسوم منظّمة يمكنك عرضها في أي متصفح.
• ملف JSON يحتوي على تمثيل لكل صفحة، بالأسطر والمواضع وثقة التعرّف الضوئي والجداول والروابط.

تحتاج إلى تصميم الصفحة الدقيق إلى جانب الكلمات؟ استخدم أداة تحويل PDF إلى Word للحفاظ على تخطيط الصفحة. وتحتاج إلى تحويل الجداول إلى جدول بيانات؟ جرّب أداة تحويل PDF إلى Excel.

الجداول والرؤوس وأرقام الصفحات

تُحوَّل الجداول إلى صفوف وأعمدة بدلًا من فقرات نص. وفي النسخة النصية العادية تُفصل بعلامات جدولة، وتظهر كجداول في نسخ Word وMarkdown وHTML.

خيار أزل الرؤوس وأرقام الصفحات يحذف الرأس المتكرر ورقم الصفحة الظاهرين أعلى كل صفحة أو أسفلها في ملف PDF. فيتدفق النص كمستند واحد دون أن ينقسم إلى صفحات كل بضع فقرات.

خيار أصلح الكلمات المقسومة بين الأسطر يعيد ضم الكلمات المقسومة في نهاية السطر بشرطة. فبدلًا من «docu-ment» سترى «document». وخيار علّم بداية كل صفحة يضع علامة صفحة قصيرة في بداية كل صفحة، لتتابع بسهولة مع ملف PDF الأصلي.

ملفات PDF المقفلة والسرية

لملف PDF محمي بكلمة مرور، اكتب كلمة مروره في خانة كلمة مرور المستند. تُستخدم لفتح الملف ولا تُخزَّن أبدًا.

لملف PDF يجب ألا يغادر جهازك إطلاقًا، افتح الاستخراج على هذا الجهاز. يقرأ متصفحك النص بنفسه، ولا يُرفع شيء، ولا تُستهلك أرصدة.

هذا الوضع يقرأ طبقة النص فقط، فيناسب العقود وكشوف الحسابات والخطابات المُنشأة على الحاسوب. والصفحة الممسوحة ليست فيها طبقة نص تُقرأ، لذا تحتاج الملفات الممسوحة إلى المحوّل العادي الذي يشغّل التعرّف الضوئي. وقد يكون وضع الجهاز أبطأ مع المستندات الطويلة، لأنه يستخدم حاسوبك أنت لا حواسيبنا.

اقرأ النتيجة قبل تنزيلها

يُفتح النص في محرر على الصفحة. انتقل إلى أي صفحة، أو صحّح كلمة، أو اضمم الأسطر في فقرات، أو غيّر حالة الأحرف، أو انسخه، أو استمع إليه مقروءًا بصوت عالٍ.

الكلمات التي لم يكن التعرّف الضوئي متأكدًا منها تُبرَز، لتعرف ما يجب مراجعته. وتُدرج الروابط الموجودة في ملف PDF مع النتيجة. لست راضيًا عنها؟ أعد قراءة الملف نفسه بتخطيط أو لغة أو صيغة أخرى، مجانًا، حتى 5 مرات ما دام لا يزال على خوادمنا.

ترجم النص المستخرج

يمكنك ترجمة النتيجة آليًا إلى الإنجليزية أو الأردية أو العربية أو الإسبانية أو الفرنسية أو سبع لغات أخرى أثناء استخراجها. وهذا مفيد لفهم مستند بلغة أجنبية بسرعة.

إنها ترجمة آلية، فراجع كل ما هو مهم. وتُترجم حتى 120,000 حرف في المرة الواحدة، لذا لتقرير طويل اختر نطاق صفحات وترجمه على أجزاء.

نعم. تُحذف ملفاتك من خوادمنا تلقائيًا بعد ساعة واحدة من المعالجة.

لا يُخزَّن شيء بعد تلك الساعة. ولا يقرأ أي شخص شيئًا. ولا يُستخدم شيء لتدريب أي نظام. كل رفع وتنزيل يتم عبر HTTPS، فيكون ملفك مشفّرًا في الاتجاهين.

وإذا كان حتى ذلك أكثر مما تريد، فاستخدم الاستخراج على هذا الجهاز. يبقى ملف PDF في متصفحك ولا يصل إلى خوادمنا إطلاقًا.

تُحفظ نتائجك الأخيرة في متصفحك أنت، لا على خوادمنا أبدًا، ويمكنك مسحها متى شئت.