استخراج النص

استخراج النص من PDF: نظرة عامة

اقرأ طبقة النص في ملف PDF وانسخها أو نزّلها كملف TXT. أنشئ نسخة نصية بسيطة من مستند لتدوين الملاحظات أو البحث أو الاقتباس أو إعادة الاستخدام، دون إعادة كتابة النص الظاهر.

يُقرأ النص، عبر PDF.js، من الطبقة التي يحويها ملف PDF أصلًا. ولا يوجد تعرّف ضوئي على الحروف، لذا فالصفحة الممسوحة ضوئيًا أو المصوَّرة لا تعيد شيئًا على الإطلاق: إن كان المستند يُفتح كصورة، فلن يستخرج منه أي إجراء كلمات. والمخرَج نص عادي بترميز UTF-8 مع سطر فارغ بين الصفحات. وتنشأ المسافات من مواضع أجزاء النص في الأصل، ما يعني أن التخطيطات متعددة الأعمدة والجداول قد تتشابك بشكل غريب، وأن التنسيق والصور ووجهات الروابط لا تُحفظ.

استخراج النص من PDF باستخدام PDFolio

يقرأ PDFolio طبقة النص الموجودة ثم يعرض معاينة داخل المتصفح ويوفر تنزيلاً بصيغة TXT. وقد تبدو الصفحة الممسوحة مقروءة لكنها لا تتضمن نصاً قابلاً للتحديد؛ فهذه الأداة تقرأ نص PDF الموجود ولا تجري تعرفاً ضوئياً.

إذا كنت تريد النص مع شيء من البنية حوله، فإن PDF إلى HTML يحفظ حدود الصفحات كأقسام ويسهل تصفحه. وإذا لم يعد الاستخراج بشيء، فالمستند مسح ضوئي، والطريق الوحيد إلى النص يمر ببرنامج تعرّف ضوئي على الحروف، وهو ما يتجاوز ما تستطيع أداة محلية داخل المتصفح إنجازه بثقة.

قبل التنزيل

تُستخرج الفقرات البسيطة عادةً بشكل سليم. أما الجداول والأعمدة والرؤوس والتنسيقات الزخرفية فقد تُقرأ كتدفق واحد، لأن ملفات PDF تخزّن نصاً محدد المواضع لا البنية التحريرية الأصلية. راجع المعاينة قبل الاعتماد على ملف TXT.

عندما تصبح النتيجة جاهزة، نزّلها فوراً وافتحها في برنامج عرض PDF الذي تستخدمه عادةً لإجراء تحقق أخير. بعد ذلك يمكنك استخدام مسح البيانات لتحرير مراجع الملفات المؤقتة من علامة التبويب هذه. لا ينشئ PDFolio حساباً أو مجلداً سحابياً أو سجل مستندات على الخادم.

استخراج النص من PDF بخصوصية وعلى جهازك

يعالج PDFolio الملفات المحددة داخل علامة تبويب المتصفح النشطة. ينفّذ Web Worker على جهازك مهمة PDF كي تبقى الواجهة سريعة الاستجابة؛ ولا تُرسل بيانات المستند إلى أي خادم لمعالجة PDF أو قائمة انتظار رفع أو قاعدة بيانات حسابات أو منصة إعلانية.