تحويل PDF إلى نص

عندما يخرج النص مشوّهًا

تُرجع عملية الاستخراج أحيانًا نصًا لكنه يكون خاطئًا: رموزًا عشوائية أو مربعات أو أحرفًا منزاحة على امتداد الأبجدية. يحدث ذلك عندما لا تحتوي خطوط PDF على خريطة تربط رموزها بالأحرف الحقيقية، وهو ما تتركه بعض برامج التصميم والطباعة. تبدو الصفحة صحيحة لأنها ترسم أشكالًا، لكن الأحرف الموجودة تحتها ليست الأحرف الظاهرة. تعامل مع الملف على أنه مسح ضوئي وشغّله عبر تحويل PDF الممسوح إلى نص.

للاختلافات البسيطة أسباب أبسط: اندماج fi وfl في محرف ربط واحد، أو انقسام كلمة إلى جزأين لأن ملف PDF يضع كل حرف على حدة.

تنقيح النص المستخرج

تظهر الأسطر المطبوعة كأسطر منفصلة، لذلك تصل الفقرة مع فاصل بعد كل بضع كلمات، وتبقى الكلمات المقسمة بشرطة في نهاية السطر مجزأة. كما تتكرر الرؤوس والتذييلات وأرقام الصفحات مرة واحدة لكل صفحة بين نص المتن. احذف هذه العناصر قبل اقتباس النص أو إعادة استخدامه، واحذف تسميات الصفحات إذا كان النص سيُستخدم كقطعة واحدة.

لحساب عدد الكلمات أو المحارف في مستند، الصق النص المنقح في عداد الكلمات؛ فالحساب مباشرةً من الناتج الخام يشمل كل رأس وتسمية.

طريقة الاستخدام

1. اختر ملف PDF.
2. استخرج النص.
3. انسخه أو نزّل ملف .txt.

الخصوصية والقيود

يُفتح الملف ويُعاد إنشاؤه داخل المتصفح، ولا يُرفع مطلقًا. وهذا مهم عندما يكون المستند عقدًا أو نسخةً ممسوحة ضوئيًا أو أي ملف آخر لا تسلمه إلى شخص غريب. لا يحتوي ملف PDF الممسوح ضوئيًا على نص يمكن استخراجه، ويُوضّح ذلك بدلًا من إرجاع ملف فارغ.