كيف تحوّل ملف PDF إلى نص (TXT) وما الذي تتحقق منه بعد ذلك

لتحويل ملف PDF إلى نص، يجب أن يحتوي الملف على طبقة نصية: فأداة الاستخراج تنسخ الكلمات المخزنة في الملف، لا صورة الصفحة. استخرج إلى ملف TXT الصفحات التي تحتاجها فقط، ثم قارنه بالأصل في ستة مواضع: الصفحات الفارغة، وترتيب الأعمدة، والترويسات والتذييلات وأرقام الصفحات، والجداول، والمعادلات والرموز، والأحرف المشوهة. اترك ترتيب فواصل الأسطر إلى النهاية، بعد التأكد من صحة الترتيب. ملف TXT مفيد لتدوين الملاحظات، والاقتباس، والبحث في دليل طويل باستخدام محرر نصوص، أو لنقل مقطع إلى مستند آخر. لكنه ليس نسخة من الصفحة: الخطوط والصور والأعمدة وخطوط الجداول تختفي، وترتيب الكلمات يتوقف على طريقة إنشاء ملف PDF.

ماذا تحصل عليه عند تحويل PDF إلى نص؟

ملف النص العادي لا يحتوي إلا على أحرف وفواصل أسطر. عند التحويل تُقرأ كل كلمة مخزنة كنص من الملف وتُكتب بالتتابع. العناوين العريضة تصبح أسطرًا عادية، والجداول تصبح صفوفًا من الكلمات والأرقام، والصور تختفي.

أكثر ما يفاجئ الناس هو الترتيب. يسجل ملف PDF موضع رسم كل جزء من النص على الصفحة، لكنه لا يسجل بالضرورة أي فقرة تأتي بعدها. وتقول وثائق PyMuPDF ذلك صراحةً: استخراج النص العادي لا يحاول تحسين شكل النتيجة، وفي ملفات PDF قد يعني ذلك «output not in usual reading order, unexpected line breaks and so forth»، أي ترتيب قراءة غير معتاد وفواصل أسطر غير متوقعة (وصفات النص في PyMuPDF، بالإنجليزية). لذلك قد يحتوي ملف TXT على كل الكلمات ومع ذلك يُقرأ بترتيب خاطئ.

هل في ملف PDF الخاص بك نص يمكن استخراجه؟

قبل التحويل، افتح ملف PDF وحاول تحديد جملة واحدة بالمؤشر.

• تُحدَّد الكلمات واحدة تلو الأخرى: الصفحة فيها طبقة نصية، ويمكن لأداة الاستخراج قراءتها.
• لا يمكنك تحديد أي جملة: الأرجح أن الصفحة بلا طبقة نصية. لا يوجد ما يُقرأ فيها، وأداة تحويل PDF إلى نص من iSomor لا تُجري OCR. إذا لم تكن متأكدًا، شغّل الاستخراج مباشرة؛ فالصفحات التي لا تحتوي على نص مقروء تظهر في قائمة.
• يطلب العارض كلمة مرور أو يذكر أن النسخ غير مسموح: المستند محمي. اطلب من مالكه نسخة غير محمية يحق لك معالجتها.

قد يجمع المستند الواحد بين النوعين، كتقرير أُدرجت فيه صور لبضع صفحات موقّعة. ومن الطبيعي ألا تعطي هذه الصفحات أي نص.

كيف تحوّل PDF إلى TXT خطوة بخطوة؟

تستخدم الخطوات التالية أداة تحويل PDF إلى نص من iSomor، التي تقرأ الطبقة النصية الموجودة داخل متصفحك وتتيح لك مراجعة كل صفحة قبل أخذ النص.

1. اختر ملف PDF واحدًا. تعالج الأداة ملف PDF نصيًا واحدًا في كل مرة، بحجم يصل إلى 20 ميغابايت و200 صفحة. لا يُقبل الملف الذي يتجاوز 200 صفحة حتى لو كنت تحتاج إلى بضع صفحات منه فقط. يُعالَج الملف داخل متصفحك ولا يُرفع.
2. أدخل الصفحات التي تحتاجها. اترك نطاق الصفحات فارغًا لاستخراج كل الصفحات، أو اكتب نطاقًا مثل 1-3, 5. أرقام الصفحات هي مواضعها في الملف بدءًا من 1 مع احتساب الغلاف، لذا قد تختلف عن الأرقام المطبوعة على الصفحات. إذا كنت تحتاج إلى فصل واحد فقط، فاستخراجه وحده يقلل ما عليك مراجعته.
3. راجع المعاينة صفحةً صفحة. تنقّل بين الصفحات وقارن كل واحدة بالأصل. إذا كانت بعض الصفحات المختارة بلا نص مقروء، تُعرض أرقامها في قائمة، وكذلك الصفحات التي تُخطّي فيها نص الطبقات المخفية (كما في عارض PDF، لا يُستخرج نص الطبقات المخفية افتراضيًا). وإذا لم يكن في أي من الصفحات المختارة نص مقروء، تعرض الأداة رسالة بأنه لا يوجد نص مقروء في الصفحات المختارة، ولا تُنشئ ملف TXT.
4. انسخ أو نزّل. انسخ النص المستخرج كاملًا أو نزّل ملف TXT. يحتوي النص المنسوخ وملف TXT كلاهما على حرف فاصل صفحة بين كل صفحتين، فتبقى حدود الصفحات واضحة. يُحفظ ملف TXT بترميز UTF-8 ونهايات أسطر LF.

تتعامل الأداة مع ما يصل إلى 200,000 حرف في الصفحة و1,000,000 حرف إجمالًا. حوّل المستندات الطويلة جدًا على أجزاء.

ما الذي تتحقق منه في ملف TXT قبل استخدامه؟

أبقِ ملف PDF الأصلي مفتوحًا بجانب النص وابدأ بهذه المواضع. فيها يخطئ النص المستخرج غالبًا، ولكل منها حل مختلف.

ما تتحقق منه	كيف يبدو في ملف TXT	ما العمل
الصفحات الفارغة	رقم صفحة يظهر في قائمة الصفحات بلا نص مقروء، أو رسالة بأن الصفحات المختارة لا تحتوي على نص مقروء	تحقق مما إذا كانت الصفحة صورة. لا تفترض أن الملف تالف؛ فقد تكون بقية الصفحات سليمة.
ترتيب الأعمدة	نصف جملة من العمود الأيسر يتصل بنصف جملة من العمود الأيمن	استخرج نطاقًا أصغر وقارنه بالصفحة. لا تحذف فواصل الأسطر بعد؛ فذلك يخفي المشكلة فقط.
الترويسات والتذييلات وأرقام الصفحات	عنوان متكرر أو رقم صفحة في منتصف فقرة	احذف فقط الأسطر التي تأكدت منها بمقارنتها بالصفحة. الرقم المنفرد في سطر قد يكون رقم قسم أو بيانًا.
الجداول	تتحول الخلايا إلى سلسلة من الكلمات والأرقام، وأحيانًا بترتيب مختلف	أعد بناء الصفوف من الأصل قبل استخدام أي رقم. تحقق من العناوين والوحدات أيضًا، لا من الأرقام وحدها.
المعادلات والرموز	الأسس والأدلة السفلية والكسور وعلامات الطرح والحروف اليونانية مسطّحة أو مفقودة	انسخ المعادلات يدويًا من الأصل، أو أشر إلى الصفحة.
الأحرف المشوهة	مربعات أو علامات استفهام أو أحرف خاطئة رغم أن ملف PDF يبدو طبيعيًا	السبب طريقة ترميز الخط داخل الملف. تنظيف فواصل الأسطر لا يصلح ذلك؛ ابحث عن تصدير آخر للمستند.

لمشكلة الأعمدة سبب خاص بها. وإذا كنت تترجم بدل أن تستخرج، فالسبب نفسه يجعل ترجمة المقالات ذات العمودين تُقرأ بترتيب مختلط، كما يشرح مقال هل اختلط ترتيب القراءة بعد ترجمة ملف PDF من عمودين؟.

متى ترتّب فواصل الأسطر؟

بعد أن يصبح الترتيب صحيحًا. كثيرًا ما يقطع النص المستخرج الجمل عند نهاية كل سطر مطبوع، فيغريك دمج كل شيء دفعة واحدة. لكن إذا كان العمودان ما زالا مختلطين أو بقي تذييل في منتصف فقرة، فإن دمج الأسطر يلصق القطع الخاطئة ببعضها فقط.

عندما يكون الترتيب صحيحًا، يكون دمج فواصل الأسطر المفردة داخل الفقرات مع الإبقاء على الأسطر الفارغة بين الفقرات آمنًا في العادة. أما العناوين والقوائم والواصلات في نهاية الأسطر فتحتاج إلى عناية منفصلة. يعرض مقال لماذا يكون النص المنسوخ من ملف PDF مشوشًا دائمًا؟ هذه الحالات بأمثلة حقيقية قبل المعالجة وبعدها باستخدام أداة تنظيف النص من iSomor.

متى يكون النص العادي صيغة غير مناسبة؟

النص العادي مناسب عندما تريد كلمات لإعادة استخدامها. وهو غير مناسب عندما يحمل التخطيط معنى: جدول يجب قراءته صفًا صفًا، أو شكل مع تعليقه، أو معادلة في سياقها.

إذا كان هدفك الحقيقي قراءة ملف PDF بلغة أجنبية، فإن تحويله إلى TXT ثم ترجمة النص يُضيّع هذا السياق. يترجم iSomor ملف PDF النصي الأصلي نفسه ويحافظ على تخطيط الصفحة قدر الإمكان، فتقرأ الترجمة في مكانها أو في ملف PDF ثنائي اللغة يضع الأصل والترجمة جنبًا إلى جنب. أما ما يبقى على الصفحة فتجده في هل يحافظ iSomor على تخطيط ملف PDF عند الترجمة؟.

الأسئلة الشائعة

لماذا تقول الأداة إنه لا يوجد نص مقروء؟

لا تحتوي أي من الصفحات التي اخترتها على طبقة نصية تستطيع الأداة قراءتها، لذلك لا يُنشأ ملف TXT. الأرجح أنها صفحات ممسوحة ضوئيًا أو محفوظة كصور. أداة الاستخراج تقرأ النص المخزن، ولا تتعرف على الكلمات داخل الصورة. إن أمكن، اطلب ملف PDF مُصدَّرًا من المستند الأصلي.

هل يحتفظ ملف TXT بتخطيط ملف PDF؟

لا. يتبع النص الترتيب المخزن في ملف PDF، ولا يُعاد بناء إلا فواصل الأسطر البسيطة. قد تختلط الأعمدة والجداول والرموز الرياضية، ولهذا تهم المراجعات السابقة.

ما أرقام الصفحات التي أُدخلها؟

مواضع الصفحات في الملف بدءًا من 1 مع احتساب الغلاف. مثلًا، 1-3, 5 تختار الصفحات الثلاث الأولى والصفحة الخامسة. وإذا تكررت صفحة في النطاق، تُستخرج مرة واحدة بالترتيب الذي كتبته.

ما هذا الرمز الغريب بين الصفحات؟

يفصل النص المنسوخ وملف TXT بين الصفحات بحرف فاصل صفحة. وبحسب المحرر، قد يكون غير مرئي أو يظهر كرمز صغير أو على شكل ^L. يمكنك إبقاؤه علامةً للصفحة أو حذفه.

هل يمكن تحويل ملف PDF محمي بكلمة مرور إلى نص؟

ليس باستخدام أداة تحويل PDF إلى نص من iSomor. فهي لا تفتح ملفات PDF المحمية بكلمة مرور ولا المستندات التي تمنع النسخ. استخدم نسخة غير محمية يحق لك معالجتها.