كيف تستخرج النص والصور من ملف PDF

الحصول على الكلمات

يقرأ استخراج النص من ملف PDF طبقة النص ويعطيك نصاً عادياً. بلا تنسيق ولا صور ولا تخطيط — الكلمات فحسب، وهذا هو الصواب بعينه حين تريد أن تقتبس أو تبحث أو تترجم أو تلصق في شيء آخر.

وما يعود إليك يتشكّل بحسب كيفية إنشاء ملف PDF، وأمران يستحقان التوقّع:

• ترتيب القراءة هو ترتيب رسم النص، وهو في الصفحة متعددة الأعمدة قد يشبك الأعمدة بعضها ببعض. وهذه خاصية في الملف لا عيب في الاستخراج — انظر ما الذي يجعل ملف PDF قابلاً للوصول، حيث تحسم المسألة نفسها هل يستطيع قارئ الشاشة قراءة مستند.
• والنتيجة الفارغة تعني أنه لا نص فيه. لا أن الاستخراج أخفق — بل أن الصفحة صورة. وهذه أسرع طريقة لمعرفة هل المستند مسح ضوئي.

الحصول على صور الصفحات

ترسم PDF إلى JPG وPDF إلى PNG كل صفحة كما تظهر وتعطيانك صورة لكل صفحة. وهذا ما تريده لصورة مصغّرة أو معاينة أو شريحة، أو لأي موضع تكون فيه الصورة أسهل وضعاً من ملف PDF.

واختر الصيغة بحسب ما على الصفحة: JPG للمسوحات الضوئية والصور الفوتوغرافية، وPNG للنص والمخططات والرسم الخطي، حيث تحطّ تشويهات JPG على أشكال الحروف مباشرة. ويفصّل JPG أم PNG لملف PDF السبب.

وكن واضحاً في المقايضة أولاً: رسم الصفحة يتلف نصها. فالناتج بكسلات — لا قابل للبحث، ولا للتحديد، ولا لقراءة قارئ الشاشة، وأكبر عادةً، ولا يمكن التراجع عنه. صواب لصورة عن صفحة؛ وخطأ لمستند يحتاج أحدهم أن يقرأه أو يعيد استعماله.

وسؤال متصل لا يجيب عنه هذا: هذه الأدوات ترسم صفحات كاملة، لا الصور الفوتوغرافية المفردة المضمَّنة داخلها. وإن احتجت الصور الأصلية كما خُزّنت، فتلك عملية أخرى وأداة مكتبية هي الجواب عادةً.

الاختيار، وحالة المسح الضوئي

إن كان ملف PDF مسحاً ضوئياً، فابدأ بالتعرّف الضوئي. فالصفحة الممسوحة لا نص فيها، فاستخراج النص يعيد لا شيء والتحويل إلى Word يعيد صوراً فوتوغرافية. ويتعرّف التعرّف الضوئي على المحارف ويضيف طبقة نص حقيقية؛ فيصير كل ما عداه ممكناً بعد ذلك. والتعرّف ليس تاماً أبداً ويحتاج تدقيقاً، وهو يسترجع الكلمات لا التخطيط.

وفيما عدا ذلك، اختر بحسب الوجهة:

• أريد أن أقتبسه أو أبحث فيه ← استخراج النص.
• أريد أن أظل أحرّره ← PDF إلى Word، واقرأ التحويل دون فقدان التنسيق أولاً، لأن التخطيط سيحتاج عناية.
• أريد الجدول بوصفه بيانات ← PDF إلى Excel، التي تستخرج الجداول لا النص. وهي تحتاج جدولاً حقيقياً بخلايا مسطَّرة كي تعمل منه.
• أريد صورة عن الصفحة ← PDF إلى JPG أو PDF إلى PNG.
• أريد جزءاً من المستند فحسب ← استخراج الصفحات أولاً. أقلّ للتحويل، وأقلّ للفحص.

يجري استخراج النص ورسم الصفحات كلاهما داخل متصفحك. وأما التحويل إلى Word وExcel فيجري على خادمنا: يُرسَل الملف عبر اتصال مشفَّر، ويُحتفظ به مدة تحويله فحسب، ثم يُحذف بعدها.