كيفية استخراج النص من ملفات PDF
إجابة سريعة
استخدم مكتبة PDF.js لتحليل تيار المحتوى واستخراج أوامر النص. استخدم محول PDF إلى نص المجاني — يعمل في متصفحك، بدون رفع، يستخرج النص من ملفات PDF النصية بدقة عالية.
مقدمة
استخراج النص من PDF يتضمن تحليل تيار المحتوى وتحويل أوامر عرض النص (Tj وTJ) إلى سلاسل. التحدي يكمن في الخطوط المضمنة التي قد تستخدم ترميزاً مخصصاً يتطلب جدول ToUnicode لفك التشفير. معظم ملفات PDF النصية يمكن استخراجها بدقة عالية.
خطوة بخطوة
-
افتح أداة PDF للنص
انتقل إلى صفحة PDF لأداة Text Extractor. تقوم الأداة بمعالجة ملفات PDF محليًا باستخدام مكتبة التحليل PDF المستندة إلى WASM.
-
قم بتحميل ملف PDF الخاص بك
انقر فوق تحميل أو سحب وإسقاط ملف PDF الخاص بك على الأداة. تقوم الأداة بتحميل الملف في الذاكرة. يتم استخراج ملفات PDF الرقمية (مع النص المضمن) بسرعة؛ قد تتطلب ملفات PDF الممسوحة ضوئيًا OCR.
-
استخراج النص
انقر فوق استخراج. تقوم الأداة بتوزيع PDF وتسحب كل محتوى النص من كل صفحة. بالنسبة لملفات PDF الرقمية، يعد هذا سريعًا ودقيقًا. بالنسبة لملفات PDF الممسوحة ضوئيًا، قد تستخدم الأداة OCR (tesseract.js) وهو أبطأ ولكنه لا يزال محليًا.
-
مراجعة النص المستخرج
يظهر النص المستخرج في منطقة النص، مع الإشارة إلى فواصل الصفحات عادةً بفواصل. قم بمراجعة النص للتأكد من دقته — OCR قد تحتوي الصفحات الممسوحة ضوئيًا على أخطاء، خاصة بالنسبة للخطوط غير المعتادة أو عمليات المسح الضوئي منخفضة الجودة.
-
انسخ النص أو قم بتنزيله
انقر فوق نسخ لنسخ النص إلى الحافظة الخاصة بك، أو تنزيل لحفظه كملف txt. استخدم النص للبحث أو التحرير أو التحليل أو اللصق في مستند آخر.
أمثلة
استخراج PDF الرقمي
مدخل: التقرير.pdf (10 صفحات، نص رقمي)
الإخراج: محتوى النص الكامل، ~5000 كلمة، دقة عالية
تم مسح PDF ضوئيًا باستخدام OCR
مدخل: scanned.pdf (5 صفحات، صور ممسوحة ضوئيًا)
الإخراج: OCR-النص المستخرج، حوالي 2000 كلمة، قد يحتوي على أخطاء بسيطة
مختلط PDF
مدخل: mix.pdf (بعض الصفحات الرقمية وبعض الصفحات الممسوحة ضوئيًا)
الإخراج: Digital pages extract perfectly; scanned pages use OCR
المشاكل الشائعة
- تنتج ملفات PDF الممسوحة ضوئيًا أخطاء OCR —OCR ليست مثالية. الخطوط غير العادية أو الدقة المنخفضة أو عمليات المسح المنحرفة تقلل من الدقة. قم دائمًا بتدقيق النص المستخرج.
- لا يوجد نص مستخرج من ملف "رقمي" PDF - تقوم بعض ملفات PDF بتخزين النص كمخططات تفصيلية (رسومات متجهة) بدلاً من الأحرف. تتطلب هذه العناصر OCR على الرغم من أنها تبدو كنص.
- فقدان التنسيق - يؤدي استخراج النص إلى فقدان الخطوط والألوان والتخطيط. الإخراج عبارة عن نص عادي، وليس مستندًا منسقًا.
- قد تكون ملفات PDF الكبيرة بطيئة — قد يستغرق استخراج النص من صفحة تزيد عن 100 صفحة PDF عدة ثوانٍ، خاصة مع OCR.
نصائح
- يتم استخراج ملفات PDF الرقمية بشكل مثالي وفوري — استخدمها عندما يكون ذلك ممكنًا. إذا كنت تتحكم في المصدر، فقم بالتصدير كملف رقمي PDF، وليس كمسح ضوئي.
- بالنسبة لملفات PDF الممسوحة ضوئيًا، تؤدي عمليات المسح الضوئي ذات الدقة العالية إلى نتائج أفضل تبلغ OCR — 300 نقطة في البوصة هو الحد الأدنى الجيد.
- استخدم النص المستخرج لفهرسة البحث عن النص الكامل، أو تحليل المحتوى، أو إمكانية الوصول (لا يمكن لقارئات الشاشة قراءة ملفات PDF الممسوحة ضوئيًا بدون OCR).
- استخدم أداة PDF للنص الخاصة بنا للاستخراج الخاص المستند إلى المتصفح - لا يغادر PDF جهازك أبدًا.