استخراج النص من PDF إلى ملف TXT

نسخ النص من ملف PDF يدويًا مرهق: التحديد يقفز بين الأعمدة، وفواصل الأسطر تقع في منتصف الجمل، وتقرير من خمسين صفحة يأخذ وقتًا طويلًا. تقرأ أداة استخراج النص من PDF الطبقة النصية لكل صفحة وتكتبها في ملف .txt واحد، مع فاصل واضح بين الصفحات حتى تعرف دائمًا من أين جاء كل مقطع. وقبل التنزيل تعرض لك المعاينة ما استُخرج بالضبط.

نستخدمها في مهام عادية جدًا: اقتباس بند في رسالة بريد، أو تحميل تقرير في تطبيق ملاحظات، أو البحث في مستند بأداة grep، أو تجهيز نص للترجمة. ملف .txt يُفتح في كل مكان، وحجمه صغير، ولا يحمل تنسيقًا مخفيًا يزعجك.

هناك حدّان نريد أن نكون صريحين بشأنهما. أولًا، ملف PDF الممسوح ضوئيًا مجرد صور لصفحات بلا طبقة نصية، فتأتي النتيجة فارغة. شغّل أداة التعرف الضوئي على الحروف أولًا لإضافة طبقة نصية، ثم استخرج النص. ثانيًا، لا يُحفظ التخطيط تمامًا. الأعمدة والجداول والحواشي تخرج بالترتيب الذي يخزّنها به الملف، وهو مقروء في الغالب لكنه يحتاج أحيانًا إلى تنظيف بسيط. ويحدث كل شيء داخل متصفحك، فلا تغادر حتى المستندات السرية جهازك.

وفي النصوص العربية تحديدًا نراجع المعاينة جيدًا، لأن بعض ملفات PDF تخزّن الحروف العربية بترتيب بصري أو بأشكال عرض خاصة، فتخرج الكلمات مقلوبة أو مفككة في ملف .txt رغم أنها تبدو سليمة على الشاشة. عندها يكون تشغيل OCR PDF على الملف ثم الاستخراج حلًا بديلًا.