استخراج نص PDF

طريقة الاستخدام

1. أفلت ملف PDF واحدًا على البطاقة، أو الصقه بـ ⌘V / Ctrl+V، أو اضغط «اختر PDF». يظهر النص في مربع النتيجة صفحةً بصفحة — لا يوجد زر «استخراج». يصبح النسخ والتنزيل متاحين عند اكتمال كل الصفحات المحددة وتحوّل الحالة إلى اللون الأخضر.
2. افتراضيًا يبقى كل سطر في PDF سطرًا مستقلًا، وتُفصل الفقرات بسطر فارغ. فعّل «دمج الأسطر في فقرات» لوصل الأسطر الملتفة: تُزال الشرطات في نهاية السطر، وتتصل أسطر الصينية واليابانية دون مسافة، وتتصل الأسطر الأخرى بمسافة واحدة. تغيير الخيار يعيد ترتيب النص فورًا دون قراءة PDF من جديد.
3. اكتب صفحات مثل «1-3، 5» للإبقاء على هذه الصفحات فقط وبالترتيب الذي كتبته؛ والصفحة المكررة تظهر مرة واحدة. تُقبل الفاصلة والفاصلة العربية والفاصلة المنقوطة، وكذلك الأرقام العربية الهندية والفارسية وكاملة العرض. اترك المربع فارغًا لكل الصفحات. فواصل الصفحات مثل «--- 3 / 12 ---» تبيّن رقم الصفحة الأصلي ويمكن إيقافها.
4. إذا احتاج ملف PDF إلى كلمة مرور، فاكتبها في السطر الذي يظهر واضغط Enter. تُستخدم كلمة المرور لفتح الملف في علامة التبويب هذه فقط.

مثال

الخيارات الافتراضية
الصفحات: (فارغ = الكل)

--- 1 / 3 ---
التقرير الفصلي

نمت الإيرادات في كل المناطق…

--- 2 / 3 ---
الخطوات التالية
1. مراجعة الميزانية
2. حجز القاعة

--- 3 / 3 ---

يظهر تنبيه «الصفحة 3 بلا طبقة نصية». لا تُترجم فواصل الصفحات ولا النص المستخرج؛ واسم الملف المنزَّل report.txt.

القواعد والحدود والمشكلات المعروفة

• لا يُرفع شيء: يُقرأ ملف PDF عبر File API ويحلله Web Worker داخل علامة التبويب هذه. طلبات الشبكة الوحيدة هي ملفات هذا الموقع نفسه — محرك PDF والـ worker عند إضافة أول ملف، وجداول ترميز الأحرف (CMap) لبعض ملفات الصينية واليابانية والكورية، والنموذج عند طلبه. لا يُخزَّن أي شيء، وإعادة التحميل تبدأ فارغة.
• لا تعرّف ضوئي على الحروف (OCR): لا يمكن استخراج نص المستندات الممسوحة ضوئيًا أو ملفات PDF المصنوعة من لقطات الشاشة أو النص داخل الصور؛ وتُعرض هذه الصفحات على أنها بلا طبقة نصية.
• ترتيب القراءة يتبع البنية الداخلية لملف PDF. قد تتداخل الأعمدة المتعددة والجداول والترويسات والتذييلات والحواشي، أو تخرج بترتيب يختلف عما تراه؛ لا يوجد تحليل للتخطيط.
• تخرج الجداول كنص الخلايا فقط: تضيع محاذاة الأعمدة وقد تتصل خلايا الصف الواحد ببعضها.
• دمج الأسطر في فقرات تقدير تقريبي يعتمد على تباعد الأسطر وحجم الخط والشرطات في نهاية السطر. قد تُحذف شرطة تنتمي فعلًا إلى كلمة مركبة إذا وقعت في نهاية السطر، وقد يُدمج عنوان أحيانًا مع النص الذي يليه.
• إذا لم يكن للخط تعيين Unicode، يخرج نصه مشوّهًا أو فارغًا. هذه خاصية في ملف PDF نفسه، والنسخ من قارئ PDF يفشل عادةً بالطريقة نفسها.
• الحروف المركبة العربية: بعض مولّدات PDF (مثلًا مع بعض خطوط نظام macOS) تربط شكل الحرف المركب بعدة أحرف، فقد تخرج الحروف داخله معكوسة (لا تصبح ال). لا تخمّن الأداة إصلاحًا، حتى لا تغيّر نصًا صحيحًا.
• يُخرج النص العمودي بالترتيب الداخلي لملف PDF؛ ولا يُضمن ترتيب القراءة العمودي.
• إذا قيّد المؤلف النسخ، تستخرج الأداة النص مع ذلك وتعرض تنبيهًا. تأكّد من أن لديك الحق في استخدامه.
• كلمات المرور: تُدعم كلمة مرور الفتح (كلمة مرور المستخدم) فقط. تُستخدم لفتح المستند في علامة التبويب هذه، ولا تُحفظ أبدًا، ولا يُزال تشفير ملف PDF.
• الحدود: ملف PDF واحد في كل مرة، 50 ميغابايت و2000 صفحة. تُرفض الملفات الأكبر مع ذكر الحجم أو عدد الصفحات الفعلي. الملفات التي تتجاوز 20 ميغابايت أو 300 صفحة تعرض تنبيه «قد يستغرق بعض الوقت».
• يعدّ عدد الأحرف وحدات الكتابة (graphemes) ولا يشمل فواصل الصفحات ولا فواصل الأسطر. لا يوجد عدّ للكلمات في الصينية أو العربية؛ الصق النتيجة في عدّاد الأحرف والكلمات لإحصاءات مفصّلة.

أدوات ذات صلة

تابع العمل على النص المستخرج بأدوات أخرى تعمل أيضًا بالكامل داخل علامة التبويب هذه.