كيفية تحويل PDF إلى نص (استخرج النص الخام للتحرير والتحليل)

أحياناً يكون PDF الحاوية الخطأ بالضبط. لا تريد الخطوط ولا الهوامش ولا تخطيط العمودين — تريد الكلمات مادةً خاماً: للصقها في محرّر، لتمريرها عبر سكربت، لعدّها، لترجمتها، للبحث عبرها، لتغذيتها في تحليل. يجرّد تحويل PDF إلى نص عادي كل شيء ما عدا المحتوى، وهذه هي الفكرة بالضبط.

الأسباب المعتادة لفعل ذلك:

• التحرير — إعادة صياغة نصوص العقود النمطية أو نص تقرير دون مصارعة محرّرات PDF.
• البرمجة والتحليل — ‏grep، تواتر الكلمات، خطوط أنابيب البيانات، تغذية المستندات لأدوات تلتهم النص العادي.
• الترجمة — تريد معظم مسارات الترجمة نصاً نظيفاً، لا مستنداً منسَّقاً.
• إتاحة الوصول وقابلية النقل — يُفتَح ملف .txt على أي شيء، حتى جهاز عمره 30 عاماً.

ملاحظة قبل البدء: أداة استخراج النص على pdfty هي المحرك نفسه — كلتاهما تسحب النص المضمَّن من ملف PDF. أيّتهما وصلت إليها أولاً ستعطيك الكلمات نفسها؛ وتعيدها PDF إلى TXT ملفَّ .txt قابلاً للتنزيل.

كيفية تحويل PDF إلى نص — خطوة بخطوة

🔒 pdfty.com/en/tools/pdf-to-txt

مشكلة المسح الضوئي: حين لا يوجد نص ليُستخرَج

هذه هي المفاجأة الأكثر شيوعاً في استخراج نصوص PDF. يمكن لملف PDF أن يحمل نصه بطريقتين مختلفتين تماماً:

1. ملفات PDF الرقمية (المصدَّرة من Word أو موقع أو نظام فواتير) تحمل طبقة نص حقيقية. الاستخراج فوري ودقيق.
2. ملفات PDF الممسوحة ضوئياً (من ماسحة أو كاميرا هاتف) تحوي صوراً للنص فقط. لا يوجد حرفياً شيء ليُستخرَج — ستكون المخرجات فارغة.

إصلاح المسح الضوئي هو OCR — التعرف الضوئي على المحارف — الذي يقرأ البكسلات ويبني طبقة نص. مرّر مسحك عبر OCR أولاً، ثم حوّل النتيجة إلى نص. تعتمد الدقة على جودة المسح.

نص عادي أم Word أم HTML — كم تحتاج من البنية؟

النص العادي أحد طرفَي طيف. كن مقصوداً في موضع هبوطك:

قاعدة عامة: إن كنت ستقرأ أو تعالج المحتوى، فخذ TXT. وإن كان إنسان يحتاج إلى رؤية التنسيق، فخذ Word أو HTML.

بدائل محلية مجانية

للمهام العرضية المتصفح أسرع، لكن إن كان الاستخراج جزءاً من عدّتك اليومية — أو كانت المستندات لا تستطيع مغادرة جهازك — فهذه المسارات المحلية متينة:

pdftotext ‏(poppler-utils — مجاني، كل المنصات). المعيار الذهبي للاستخراج من سطر الأوامر:

pdftotext input.pdf output.txt

أضف -layout لتقريب مواضع الأعمدة الأصلية بالمسافات — مفيد فعلاً للنص الجدولي. يُثبَّت عبر Homebrew على macOS أو مدير الحزم على لينكس.

النسخ واللصق من عارض. لصفحة أو اثنتين، يعمل تحديد كل شيء في عارض PDF واللصق في محرّر. توقّع تنظيف فواصل الأسطر وعموداً مبعثراً بين الحين والآخر.

Microsoft Word. يفتح Word ملفات PDF ويحوّلها إلى مستندات قابلة للتحرير يمكنك حفظها كـ .txt. أبطأ، ويعيد تدفق المستند في الطريق — إفراط حين تريد النص الخام فحسب.

ملاحظات عملية

• التخطيط يختفي — عن قصد. تخرج الصفحات متعددة الأعمدة نصاً خطياً، وتنهار الجداول إلى أسطر، وتهبط مربعات النص حيثما وقعت في تدفق المحتوى. إن تداخلت الأعمدة بشكل سيئ، فإن pdftotext -layout أو PDF إلى Word تتعاملان مع التخطيطات المعقدة أفضل.
• الترويسات والتذييلات وأرقام الصفحات تتكرر. تظهر الترويسات الجارية مرة في كل صفحة في المخرجات. جولة بحث-وحذف سريعة (أو سكربت من سطر واحد) تنظّفها.
• الوصل بالشرطة. الكلمات المقسومة عبر الأسطر في النص المضبوط تبقى مقسومة. تُصلَح بالبحث والاستبدال عن «- » يتبعها حرف صغير — غير مثالي لكنه سريع.
• الحروف المركَّبة والرموز. تمرّ الطباعة الفاخرة (fi وfl وعلامات الاقتباس الذكية) بالمحارف التي يرمّزها ملف PDF فعلاً — جيدة عادةً في UTF-8، وتستحق أحياناً جولة توحيد قبل التحليل.
• المخرجات الفارغة أو المشوَّهة تعني غالباً دائماً مسحاً ضوئياً ‏(OCR أولاً) أو، نادراً، ملف PDF بترميزات خطوط مموَّهة عمداً. وللأخيرة، OCR هو الإصلاح أيضاً من قبيل المفارقة: حوّل إلى بكسلات ذهنياً، واقرأ البكسلات.

الأسئلة الشائعة

لماذا ملف المخرجات فارغ؟

ملف PDF لديك مسح ضوئي شبه مؤكد — صور صفحات، بلا طبقة نص. مرّره عبر OCR أولاً، ثم استخرج. اختبار الثواني الخمس: إن لم تستطع تحديد النص في عارض PDF، فلا نص هناك.

هل تحتفظ المخرجات بالعريض والعناوين والخطوط؟

لا — لا تستطيع ملفات .txt تمثيل التنسيق إطلاقاً، فتحصل على محارف صِرفة. وهذه هي الميزة: لا شيء تصارعه عند التحرير أو البرمجة. للتنسيق، استخدم PDF إلى Word.

ماذا يحدث للجداول؟

تتسطّح إلى أسطر عادية، وتضيع محاذاة الأعمدة عموماً. وللجداول التي ستعمل عليها، بُنيت PDF إلى Excel لذلك بالضبط.

هل هذه هي أداة استخراج النص نفسها؟

نعم — تشغّل استخراج النص المحرك نفسه. كلتاهما تسحب نص المستند؛ استخدم أيّتهما وجدت أولاً.

هل يمكنني استخراج النص من بضع صفحات فقط؟

قسّم ملف PDF إلى الصفحات التي تحتاجها أولاً، ثم حوّل. يبقي ذلك المخرجات مركزة وداخل حد الـ 50 صفحة المجاني.

هل ستعمل على ملف PDF محمي بكلمة مرور؟

أزل كلمة المرور أولاً بأداة فك القفل (عليك معرفة كلمة المرور)، ثم حوّل بشكل طبيعي.

هل مستندي آمن؟

المرفوعات عبر HTTPS فقط، ولا حساب، وتُحذَف الملفات تلقائياً بعد ساعة. وللمستندات التي لا يمكنك رفعها، يعمل pdftotext دون اتصال كلياً.

ما هي الحدود المجانية؟

‏20 ميغابايت لكل ملف، و50 صفحة، و10 عمليات يومياً — بلا تسجيل، بلا علامة مائية. وتزيل Pro ‏(9 دولارات شهرياً) السقوف.