استخراج النص من ملف PDF

ملف PDF لديك شبه مؤكد أنه صورة ممسوحة ضوئياً: صورة لصفحة بلا طبقة نص إطلاقاً. فلا يوجد ما يُستخرج حتى تمرّ الصفحة بالتعرّف على النص. وهذا ما يفعله التعرّف الضوئي على الحروف، وهو أداة أخرى.

يحافظ على ترتيب القراءة والفقرات وفواصل الأسطر. ولا يحافظ على الأعمدة والجداول والتنسيق البصري — فالنص المجرّد لا يملك وسيلة للتعبير عنها. وللحفاظ على التنسيق، فإن التحويل من PDF إلى Word هو الخيار الصحيح.

لأنه لا يوجد فيه نص ليُستخرج. فالصفحة الممسوحة ضوئياً أو الصورة المحفوظة كملف PDF هي صورة، والاستخراج يقرأ كائنات نص حقيقية ولا يتعرّف على الحروف داخل صورة. وتحويل صورة الكلمات إلى نص فعلي يحتاج إلى تعرّف ضوئي على الحروف، وهي تقنية أخرى لا يقدّمها هذا الموقع حالياً. فملفك ليس معطوباً — إنما لا توجد فيه طبقة نص.

ليس بشكل موثوق، وهذا ما يفاجئ الناس. فملف PDF يضع النص بإحداثيات بدل أن يخزّن الفقرات والأعمدة والجداول كبنى، ولذلك يضطر الاستخراج إلى استنتاج ترتيب القراءة من المواضع. فقد تتداخل التخطيطات ذات العمودين، وقد تندمج خلايا الجدول في سطر واحد. الاستخراج هو الأداة الصحيحة للحصول على الكلمات؛ وهو الأداة الخاطئة للحفاظ على شكل الصفحة.

افتحه في أي قارئ PDF وحاول تحديد بضع كلمات بالمؤشر. فإن أُضيئت الحروف فرادى واستطعت نسخها، فالنص حقيقي وسينجح الاستخراج. وإن كان السحب يحدد الصفحة كلها ككتلة واحدة، أو لم يُضَأ شيء إطلاقاً، فهي صورة وأنت أمام مستند ممسوح ضوئياً — ولن تجد فيه أي أداة استخراج نصاً دون تعرّف ضوئي أولاً.