استخراج النص والجداول من PDF

هل في ملف PDF نص؟

ملف PDF المصنوع من Word أو صفحة ويب أو أي برنامج آخر يخزن نصًا حقيقيًا: تستطيع تحديده والبحث فيه ونسخه. أما المسح الضوئي أو الصورة المحفوظة كـPDF فيخزن صورًا للصفحات فقط، ولا يوجد نص لاستخراجه حتى يقرأه أحد. تخبرك المعاينة أي نوع لديك: إن قالت إنه لم يُعثر على طبقة نصية، فاستخدم الصورة إلى نص، الذي يتعرف على الحروف في المسوحات، أو PDF إلى Word، الذي يفعل الشيء نفسه مع إعادة بناء المستند.

ترتيب القراءة أم التخطيط

داخل PDF يُخزَّن النص كقطع موضوعة في مواضع على الصفحة، لا كفقرات، وترتيب القطع في الملف كثيرًا ما لا يكون ترتيب قراءتك لها. يفرز المستخرج القطع حسب موضعها: من الأعلى إلى الأسفل، وفي السطر الواحد حسب اتجاه الكتابة، ضامًّا القطع التي تصطف خطوط قاعدتها.

• ترتيب القراءة، الافتراضي، يعطي الأسطر بالترتيب الذي تقرؤها به، مع سطر فارغ حيثما تدل فجوة أكبر على فقرة جديدة.
• الحفاظ على التخطيط يُبقي كل سطر حيث كان، مع مسافات بدل الفجوات بين الأعمدة. استخدمه للنماذج والفواتير وكل ما يهم فيه موضع القيمة في السطر.

الصفحات ذات العمودين أو الثلاثة أصعب حالة لأي مستخرج. إن خرجت أسطر الأعمدة المتجاورة متداخلة، فحوّل بـPDF إلى Word، الذي يكتشف الأعمدة، وانسخ من هناك.

الجداول

مع اكتشاف الجداول يبحث المستخرج عن نص يقع في أعمدة محاذاة عبر عدة أسطر، كقوائم الأسعار والكشوف وجداول المواعيد، ويعيد بناء كل منها صفوفًا وخلايا. الحد الأدنى للصفوف، 3 افتراضيًا، يحدد عدد الأسطر التي يجب أن تصطف قبل أن يُعد شيء ما جدولًا؛ اخفضه للجداول القصيرة، وارفعه إن عُدّ نص عادي جدولًا. يمكن نسخ كل جدول بصيغة CSV مباشرة من المعاينة، ويُحفظ كملف CSV مستقل يُفتح في Excel أو Google Sheets أو Numbers.

الشبكات البسيطة تنجح أفضل. الجداول ذات الخلايا المدمجة أو النص الملتف داخل الخلايا أو الجداول المتجاورة قد تحتاج ترتيبًا في جدول بيانات بعد ذلك.

الملفات التي تحصل عليها

• نص عادي (.txt)، بترميز UTF-8، فتصل العربية والحروف المشكّلة والصينية سليمة.
• ملف CSV واحد لكل جدول، باسم رقمه وصفحته مثل table-01-page-3.csv، ومعلّم ليقرأ Excel الحروف غير اللاتينية بشكل صحيح.
• JSON، موقف افتراضيًا: كل سطر من كل صفحة بموضعه وحجم نصه، للمطورين الذين يعالجون ملفات PDF كثيرة.

لنظرة سريعة على صفحة واحدة لا داعي لتنزيل شيء: انسخ النص كله أو جدولًا واحدًا من المعاينة.

إذا حدث خطأ

• لم يُعثر على طبقة نصية. ملف PDF مسح ضوئي. استخدم الصورة إلى نص أو PDF إلى Word مع التعرف على النص.
• النص كلام بلا معنى. بعض ملفات PDF تستخدم خطوطًا دون ربط سليم بالحروف، فلا يمكن قراءة نصها. التعرف على النص هو الطريق الالتفافي.
• الكلمات تلتصق أو تتفكك. يضع ملف PDF حروفًا مفردة لا كلمات. جرّب الحفاظ على التخطيط، الذي يُبقي المسافات الأصلية.
• يقول إن ملف PDF محمي بكلمة مرور. افتح قفله أولًا بـفتح قفل PDF، إن كان لك الحق في ذلك.