استخراج النص من PDF
جرّد ملف PDF حتى لا يبقى منه إلا كلماته: بلا خطوط ولا صور ولا تنسيق، مجرد ملف .txt يمكنك البحث فيه أو لصقه أو مقارنته أو تمريره إلى سكربت أو وضعه في أداة ترجمة. تُقرأ الصفحات الممسوحة ضوئيًا بتقنية OCR أولًا.
محوّل PDF
أو أفلت ملفات PDF هنا ·
الحد الأقصى 95 MB لكل ملف· حتى 20 ملفًا· تُحذف بعد 30 دقيقة
تُعالج الملفات على خوادمنا وتُحذف بعد 30 دقيقة.
ملفات PDF الممسوحة صور للصفحات. «تلقائي» يشغّل OCR فقط على الصفحات التي بلا طبقة نصية، و«دائمًا» يفرضه على كل صفحة.
اللغة المطبوعة في المسح الضوئي. اختيار اللغة الصحيحة يحسّن الدقة بوضوح مع علامات التشكيل والكتابات غير اللاتينية.
«نص متدفق» يعيد تدفق النص في فقرات عادية سهلة التحرير. «تخطيط دقيق» يضع كل كتلة في مكانها الأصلي، فيبدو مطابقًا لكن تحريره أصعب.
مكان وضع الجداول المكتشفة في المصنف.
أرقام الصفحات أو نطاقاتها مفصولة بفواصل، مثل 1-3, 5, 8-10.
طريقة استخدام هذه الأداة
- 1
أفلت ملف PDF هنا
ارفع ملف PDF واحدًا أو مجموعة تصل إلى 20 ملفًا، بحيث لا يتجاوز حجم كل ملف 95 MB. تُعالَج الملفات التي تجمع بين صفحات مكتوبة وصفحات ممسوحة ضوئيًا صفحةً صفحة.
- 2
حدّد الصفحات إن أردت
النص العادي محدد مسبقًا ضمن التحويل إلى. استخدم الصفحات المراد تحويلها في الإعدادات المتقدمة لاستخراج الفصل أو الملحق الذي تحتاجه فقط.
- 3
نزّل ملف .txt
اضغط تحويل إلى نص عادي. الملف بترميز UTF-8، لذلك تظهر الحروف المشكّلة والأبجديات غير اللاتينية بشكل صحيح في أي محرر حديث.
ما أنظف طريقة لاستخراج النص من PDF؟
حوّله إلى ملف .txt عادي. تحصل على كل كلمة بترتيب القراءة، مع فصل الفقرات بأسطر فارغة ودون أي شيء آخر، جاهزًا لأي محرر أو برنامج.
ما الذي يحتفظ به استخراج النص من PDF وما الذي يحذفه
يمر المحوّل على كل صفحة بترتيب القراءة، من الأعلى إلى الأسفل وعمودًا بعد عمود، ويكتب الحروف التي يجدها. تُدمج الأسطر التي تنتمي إلى فقرة واحدة، وتُفصل الفقرات بسطر فارغ. ويأتي نص كل صفحة بعد نص الصفحة السابقة، فيُقرأ الفصل كمقطع متصل.
يُهمَل كل ما هو مرئي: الخطوط والأحجام والألوان والصور والرسوم البيانية وموضع النص في الصفحة. وهذا هو المقصود. فتقرير حجمه 10 MB مليء بالصور يتقلص عادةً إلى ملف نصي من بضع مئات الكيلوبايت، يسهل البحث فيه ومقارنة نسخه بأداة diff أو لصقه في أداة ترجمة أو تحليل.
قد يعرف مستخدمو سطر الأوامر أداة pdftotext من مشروعي Poppler وXpdf، وهي تؤدي عملًا مشابهًا على ملفات PDF الرقمية. والفرق هنا هو OCR: تُعرَّف الصفحات التي لا طبقة نصية فيها باللغة التي تختارها بدل أن تخرج فارغة. أما الصور التي ليست PDF أصلًا فاستخدم تحويل الصورة إلى نص.
نص عادي أم Markdown أم Word: اختر المخرج المناسب
نص عادي
الكلمات فقط، بترميز UTF-8.
- أصغر ملف
- يُفتح في أي برنامج
- بلا عناوين أو تنسيق
Markdown
نص مع وسوم خفيفة.
- العناوين موسومة بالرمز #
- تبقى القوائم والنص العريض
- يظل ملفًا نصيًا
مستند Word
تخطيط كامل قابل للتعديل.
- تبقى الجداول والصور
- تُحفظ الأنماط
- يحتاج إلى معالج نصوص
لماذا يكون الملف النصي صغيرًا جدًا
1 بايتلكل حرف إنجليزي أو رقم أو مسافة في ملف نصي بترميز UTF-8
صيغة المستندات المحمولة
أنشأت Adobe صيغة PDF عام 1993 وأصبحت المعيار المفتوح ISO 32000 عام 2008. تثبّت النص والخطوط والصور والتخطيط ليظهر المستند بالشكل نفسه على كل شاشة وطابعة. يمكن أن تحتوي ملفات PDF على نماذج وتواقيع وروابط ومرفقات ونص قابل للبحث، ويُستخدم النوع PDF/A للأرشفة طويلة الأمد. التخطيط الثابت يجعل تحرير PDF صعبًا، وملفات PDF الممسوحة ضوئيًا تحتوي على صور فقط ما لم يُطبَّق OCR. يفتحها كل متصفح ونظام تشغيل.
- الضغط
- –
- الشفافية
- نعم
- الحركة
- لا
- سنة الظهور
- 1993 · Adobe
TXT
نص عادي
ملف TXT لا يحتوي إلا على أحرف عادية دون تنسيق أو خطوط أو صور أو تخطيط. تُرمَّز ملفات النص الحديثة عادةً بـ UTF-8 الذي يشمل كل اللغات، وقد تستخدم الملفات الأقدم ترميزات أخرى فتظهر أحرف مشوّهة. النص العادي صغير جدًا ولا يتقادم ويُفتح على كل جهاز من الهواتف إلى الخوادم. لا يحتمل نصًا غامقًا ولا جداول ولا صورًا، فتُعبَّر البنية بالمسافات أو بترميز بسيط.
- الضغط
- –
- الشفافية
- –
- الحركة
- –
- سنة الظهور
- –
يستخرج الناس النص العادي من PDF عندما تكون الكلمات هي كل ما يحتاجونه، للبحث أو الاقتباس أو الترجمة أو تنظيف البيانات أو تغذية برنامج آخر، ويكون التنسيق عائقًا فقط.
الأسئلة الشائعة حول استخراج النص من PDF
لماذا لا يمكنني ببساطة نسخ النص من PDF ولصقه؟
يمكنك ذلك لفقرة أو فقرتين، لكن النسخ من عارض PDF كثيرًا ما يقطّع الكلمات عند نهايات الأسطر، ويخلط الأعمدة، ويُدخل ترويسات الصفحات في منتصف الجمل، ولا يفعل شيئًا في الصفحات الممسوحة ضوئيًا. أما الاستخراج فيقرأ الملف كله بترتيب القراءة ويشغّل OCR حيث لا توجد طبقة نصية.
ما ترميز الملف النصي؟
UTF-8، وهو الترميز الافتراضي للويب ولمعظم البرامج. يحفظ Notepad في Windows الملفات الجديدة بترميز UTF-8 افتراضيًا منذ Windows 10 الإصدار 1903، ويقرؤه TextEdit في macOS وVS Code وكل المتصفحات دون سؤال. إذا عرض برنامج قديم رموزًا غريبة، فابحث عن خيار استيراد يتيح لك اختيار UTF-8.
هل TXT هو نفسه أداة تحويل PDF إلى TXT؟
الناتج واحد: ملف .txt. تركّز هذه الصفحة على استخراج النص لإعادة استخدامه، أما تحويل PDF إلى TXT فهو التحويل نفسه تحت اسم الامتداد الذي يبحث به الناس أيضًا.
ماذا يحدث للجداول؟
تُكتب خلايا الجداول بترتيب القراءة وتفصل بينها علامات تبويب، فيمكن لصق الجدول في جدول بيانات بشكل مقبول. وإذا كانت الجداول هي سبب التحويل، فإن تحويل PDF إلى Excel يحتفظ بالصفوف والأعمدة في خلايا حقيقية.
هل يمكنني الحصول على النص مع تمييز العناوين؟
النص العادي لا يملك طريقة لتمييز العناوين. اختر Markdown ضمن التحويل إلى إذا أردت وسم العناوين والقوائم والنص العريض برموز بسيطة مع بقاء الملف نصيًا.
هل يعمل استخراج النص من المستندات الممسوحة مع خط اليد؟
صُمم OCR للنص المطبوع. تُقرأ الحروف الكبيرة المرتبة غالبًا، لكن الخط المتصل المكتوب بخط اليد غير موثوق. وتعطي الصفحات المطبوعة الممسوحة بدقة 300 dpi أفضل النتائج.
| تحويل PDF إلى Markdown | تحويل PDF إلى Word | تحويل PDF إلى EPUB |
| تحويل TXT إلى PDF | تحويل الصورة إلى نص | تحويل HTML إلى TXT |
