انتقل إلى المحتوى

استخراج النص من ملف PDF

استخرج النص من ملف PDF بترتيب القراءة، مع فصل الأعمدة المتداخلة وضم الأسطر المقطوعة في فقرات، ثم انسخه أو احفظه في ملف .txt؛ تعمل الأداة في متصفحك، فلا يغادر ملف PDF جهازك.

أفلِت ملف PDF لاستخراج نصهأو انقر للتصفح · حتى 50 MB
اختيار ملف PDF
تعمل في متصفحك · دون رفعكيف يعمل الموقع

طريقة استخدام تحويل PDF إلى نص

  1. 1

    افتح ملف PDF

    أفلِت ملف PDF لا يتجاوز حجمه 50 MB في المربع، أو انقر لاختيار ملف. الملفات المحمية بكلمة مرور تطلب كلمة المرور أولًا.

  2. 2

    اختر تنسيق النص

    وضع «فقرات» يعطيك نصًا متصلًا نظيفًا للقراءة أو اللصق؛ أما «تخطيط الصفحة» فيحافظ على كل سطر مطبوع ويحاذي أعمدة الجداول بالمسافات.

  3. 3

    حدّد الصفحات و OCR

    استخرج كل الصفحات أو نطاقًا منها مثل 2-5, 9. فعّل OCR واختر اللغة إذا كانت بعض الصفحات ممسوحة ضوئيًا ولا تحتوي على طبقة نصية.

  4. 4

    انسخ أو نزّل

    اضغط «استخراج النص»، وراجع النتيجة في المربع، ثم انسخها إلى الحافظة أو احفظها ملف .txt بترميز UTF-8.

الحدود وخطة Pro

ملف PDF واحد لا يتجاوز حجمه 50 MB، وحتى 200 صفحة في كل عملية استخراج، بما فيها OCR.

يفتح Pro ملفات PDF حتى 4 GB ويقرأ حتى 5,000 صفحة دفعة واحدة. عرض Pro

عن تحويل PDF إلى نص

تقرأ هذه الأداة الطبقة النصية التي تحملها معظم ملفات PDF، وهي الأحرف نفسها التي يمكنك تحديدها في أي قارئ PDF، ثم تعيد ترتيبها كما يقرؤها الإنسان. النسخ المباشر من القارئ يخلط غالبًا عمودَي المقال سطرًا بسطر، ويقطع كل جملة عند نهاية السطر المطبوع، ويترك الشرطات في وسط الكلمات. أما هنا فتُقسَّم الصفحات أولًا إلى أعمدة وكتل، وتُضم الأسطر الملتفة في فقرات، وتُعاد الكلمة المقسومة بشرطة بين سطرين إلى أصلها، وتبقى النقاط والأرقام في بداية عناصر القوائم، ويخرج الجدول صفوفًا تفصل بين خلاياها علامة جدولة، فيمكن لصقه في جدول بيانات. ويُستبعد رقم الصفحة المنفرد في الهامش العلوي أو السفلي، وكذلك النص المائل أو العمودي مثل علامة مائية قطرية تحمل كلمة «DRAFT».

وضع «تخطيط الصفحة» يفعل العكس: يُبقي كل سطر في مكانه كما طُبع، ويستخدم المسافات لتثبيت أعمدة نموذج أو فاتورة أو كشف حساب بنكي.

الصفحات الممسوحة ضوئيًا لا تحتوي على طبقة نصية، بل على صورة للورقة فقط. عند تفعيل OCR يقرأ محرك Tesseract تلك الصفحات وحدها داخل متصفحك، بإحدى 47 لغة. من الاستخدامات المعتادة: الاقتباس من تقرير، وإدخال عقد في مترجم أو في عدّاد كلمات، واستخراج الأرقام من كشف حساب. الخطوط والألوان والصور والروابط ليست جزءًا من الناتج؛ وللحصول عليها استخدم «تحويل PDF إلى Word».

الخصوصية

تحلل مكتبة PDF.js المستند داخل Web Worker على جهازك، ويرتب عامل ثانٍ الأسطر في فقرات؛ ولا يُرفع ملف PDF ولا نصه أبدًا. وعند تفعيل OCR فقط تجلب الصفحة محرك Tesseract وملف لغة واحدًا من شبكة jsDelivr CDN، مرة واحدة، ولا تحمل هذه التنزيلات أي شيء من مستندك.

الميزات

أعمدة مرتبة

تُقرأ الصفحات ذات العمودين والثلاثة أعمدة عمودًا بعد آخر، لا سطرًا بسطر على عرض الصفحة.

فقرات حقيقية

تُضم الأسطر الملتفة، وتُعاد الكلمات المقسومة بشرطة عند نهاية السطر إلى أصلها.

جداول قابلة للصق

تخرج صفوف الجدول مفصولة بعلامات جدولة وجاهزة لجدول بيانات، أو محاذاة بالمسافات في «تخطيط الصفحة».

OCR للصفحات الممسوحة

يمكن قراءة الصفحات الخالية من الطبقة النصية بمحرك Tesseract بإحدى 47 لغة، على جهازك.

تحويل PDF إلى نص: الأسئلة الشائعة

لماذا يظهر النص المنسوخ من PDF مبعثرًا، وهل تحل هذه الأداة المشكلة؟
يخزن ملف PDF النص قطعًا لكل منها موضعها، لا جملًا، فيتبع النسخ من القارئ ترتيب كتابة تلك القطع. لذلك تتداخل الصفحات ذات العمودين سطرًا بسطر، وينتهي كل سطر مطبوع بفاصل قسري. في وضع «فقرات» تحدد الأداة الأعمدة والكتل أولًا، وتقرؤها من الأعلى إلى الأسفل، وتضم الأسطر الملتفة، فيُقرأ النص كما تُقرأ الصفحة.
هل تستخرج الأداة النص من ملف PDF ممسوح ضوئيًا؟
نعم، عند تفعيل OCR. الصفحات التي تكاد تخلو من طبقة نصية، أي أقل من 20 حرفًا، تُحوَّل إلى صورة بدقة 300 DPI ويقرؤها Tesseract باللغة التي تختارها، أما الصفحات التي تحتوي على نص فتؤخذ كما هي. توقّع أخطاء متفرقة في الأحرف المتشابهة مثل 0 و O، فراجع الأسماء والمبالغ. وللحصول على ملف PDF قابل للبحث بدلًا من ملف نصي، استخدم أداة OCR PDF.
ما الفرق بين «فقرات» و«تخطيط الصفحة»؟
وضع «فقرات» يعيد بناء النص المتصل: كل فقرة في سطر واحد من الناتج، وبين الفقرات سطر فارغ، مع قراءة الأعمدة بالترتيب وحذف شرطات نهاية السطر. أما «تخطيط الصفحة» فينسخ الصفحة سطرًا بسطر ويضيف مسافات لتبقى أعمدة الأرقام متحاذية، وهذا يناسب الفواتير والجداول الزمنية والنماذج. افتح ملف «تخطيط الصفحة» بخط ثابت العرض مثل Consolas أو Courier لترى الأعمدة متحاذية.
هل تبقى الجداول عند استخراج النص؟
يتعرف وضع «فقرات» على الجداول البسيطة ويكتب كل صف في سطر مع علامة جدولة بين الخلايا، فيمكنك لصقها في Excel أو Google Sheets لتقع كل قيمة في خليتها. أما الخلايا المدمجة والجداول التي هي في الحقيقة صور فلا يُعاد بناؤها. وإذا خرج الجدول أسطرًا متفرقة فجرّب «تخطيط الصفحة»، فهو يثبّت الأعمدة في أماكنها بالمسافات.
ما الأحرف واللغات التي يدعمها ملف .txt؟
يُحفظ الملف النصي بترميز UTF-8، فتبقى سليمة الأحرف السيريلية واليونانية والعربية والعبرية والصينية واليابانية والأحرف اللاتينية ذات العلامات وحرفا الأوزبكية oʻ و gʻ، ما دام ملف PDF يربط خطوطه بأحرف حقيقية. بعض الملفات تضمّن خطوطًا دون هذا الربط، فيظهر نصها المنسوخ رموزًا عشوائية في أي برنامج، والحل هو تشغيل OCR على تلك الصفحات.
أدوات pdf: كل الأدوات