استخراج النصوص من PDF أونلاين: تحويل PDF إلى TXT، فك تشفير محارف CMap ومكتبة PDF.js بالمتصفح
⚡كيفية استخراج النص من ملف PDF في 3 خطوات بسيطة
1. استيراد مستند PDF المطلوب
اختر أو اسحب ملف PDF وأفلته داخل مساحة العمل الآمنة. يتم فحص الملف محلياً داخل ذاكرة RAM للمتصفح دون رفعه لأي خادم.
2. اختيار صيغة المخرجات والخيارات
حدد 'نص بسيط (.txt)' للحصول على نصوص منسقة للقراءة، أو 'JSON مهيكل' للحفاظ على إحداثيات الصناديق وبيانات الخطوط.
3. استخراج وتنزيل النص فوراً
انقر فوق 'استخراج النص' لتنفيذ التحليل المكاني المحلي. انسخ النص المستخرج مباشرة إلى الحافظة أو احفظ الملف النصي.
في هندسة البيانات الحديثة، ومعالجة اللغات الطبيعية (NLP)، وإجراءات الكشف الإلكتروني القانوني (e-discovery)، والبحوث الأكاديمية، يُعد استخراج نصوص واضحة وغير مشوهة من مستندات PDF الخطوة التأسيسية الأولى لاستيعاب المعلومات ومعالجتها. تتلقى المؤسسات آلاف الاتفاقيات الرقمية، والميزانيات المالية، والتقارير التنظيمية المقفلة داخل نسق المستندات المنقولة (PDF). ومع ذلك، فإن ملف PDF ليس مستنداً نصياً عادياً؛ فهو لا يخزن النصوص كجمل أو فقرات متصلة بسيطة. بل هو مجموعة تعليمات بصرية معقدة تضع المحارف والرموز المطبعية الفردية عند إحداثيات رياضية محددة على لوحة ثنائية الأبعاد.
توفر أداة استخراج النصوص من PDF المدمجة بالمتصفح استخراجاً احترافياً بمستوى المؤسسات مباشرة داخل متصفح الويب. وبالاعتماد على محرك Mozilla PDF.js القياسي وخيوط Web Workers المعزولة، يحلل نظامنا تدفقات محتوى المستند، ويفك جداول تعيين المحارف المعقدة (CMap)، ويفكك الروابط المطبعية (ligatures)، ويعيد بناء تسلسل القراءة الطبيعي للإنسان. يمكنك تصدير نصوص UTF-8 نقية ومنسقة (.txt) أو جداول JSON تخطيطية مهيكلة بإحداثيات الصناديق المحيطة بدقة أجزاء البكسل خلال ثوانٍ. وتنفذ جميع المعالجات محلياً بنسبة 100% داخل ذاكرة متصفحك: فلا تلمس تدقيقاتك المالية وسجلاتك السرية خوادم السحابة أبداً.
اقرأ الدليل التقني الكامل
وهم النص البسيط: كيف تخزن ملفات PDF الحروف المطبعية في الواقع؟
يفترض العديد من مستخدمي الحواسيب خطأً أن ملف PDF يخزن النصوص في فقرات وجمل وكلمات كما تفعل برامج معالجة النصوص مثل Word أو لغة HTML. في الواقع، ووفقاً لمواصفات معيار ISO 32000، فإن PDF هو لغة تخطيط بصري منحدرة من PostScript، حيث تُرسم النصوص باستخدام معاملات رسم منخفضة المستوى داخل تدفقات المحتوى `/Contents`.
قد يقوم برنامج الإنشاء بعرض عنوان رئيسي عبر الأمر البرمجي التالي: `BT /F1 12 Tf 72 712 Td [(C) 12 (o) -4 (r) 8 (p)] TJ ET`. وتجدر ملاحظة أن الحروف توضع بتعديلات إزاحة تباعد فردية (kerning)؛ وقد لا تحتوي الكلمات حتى على رمز مسافة صريح (`0x20`)، بل تستعيض عنه بإزاحات أفقية سالبة كبيرة. علاوة على ذلك، قد تُخزن العناصر النصية بترتيب غير زمني في بنية الملف الثنائي—فقد يُقرأ سطر التذييل قبل العنوان الرئيسي. ويتطلب الاستخراج الحقيقي للنص خوارزميات استدلال مكاني متقدمة لتجميع إحداثيات الحروف المشتتة في فقرات متماسكة وقابلة للقراءة بسلاسة.
خرائط المحارف (CMap) وجدول ترجمة /ToUnicode
إن السبب الرئيسي وراء تحول النصوص المنسوخة من بعض ملفات PDF إلى رموز غريبة أو علامات استفهام غير مفهومة هو غياب أو تخصيص جداول تعيين الحروف (CMap). فلتقليص حجم الملف، تقوم برامج إنشاء PDF بتضمين خطوط فرعية مجتزأة (subsets) وتعيين رموز بايتات عشوائية للحروف (على سبيل المثال، قد يُرمز للحرف 'A' بالرمز الداخلي `0x0001`).
ولكي يصبح المستند قابلاً للبحث والنسخ السليم، يجب أن يحتوي قاموس الخط على تدفق `/ToUnicode` CMap يترجم هذه الرموز الداخلية إلى نقاط ترميز Unicode القياسية المعترف بها دولياً. يفحص محركنا في جانب العميل تدفقات CMap المضمنة، وتعيينات خطوط Adobe CID، وجداول `cmap` في خطوط TrueType بدقة متناهية، محولاً المحارف المشفرة إلى نصوص Unicode صحيحة بنسبة 100%.
الروابط المطبعية (Ligatures)، والوصلات، وتحديد حدود الكلمات
تستخدم الطباعة الاحترافية الروابط المطبعية (Ligatures)—وهي محارف مدمجة تجمع بين حرفين متجاورين في تصميم مرئي واحد (مثل 'fi' و 'fl' و 'ffi' و 'ffl' و 'st') لتفادي الاصطدام غير المتناسق بين أطراف الحروف. وفي أدوات الاستخراج البدائية، يؤدي نسخ كلمة مثل 'financial' إلى ظهورها كـ 'nancial' أو 'fi nancial' نظراً لافتقار الحرف المدمج لتعيين ASCII مباشر.
تتضمن أداتنا ميزة التفكيك التلقائي للروابط المطبعية؛ حيث تتعرف على محارف Unicode المركبة (مثل `U+FB01` للرمز 'fi' و `U+FB02` للرمز 'fl') وتوسعها إلى أحرفها المنفصلة المكونة لها ('f' + 'i'). وعلاوة على ذلك، يقيم المحرك المسافات الفاصلة بين الكلمات استناداً إلى مقاييس عرض تقدم الخط (`wx`)، مدخلاً مسافات حقيقية في مواضع الفواصل الفعلية للكلمات، مع حذف الواصلات الاختيارية عند نهايات السطور.
إعادة بناء تسلسل القراءة: خوارزميات التجميع المكاني XY-Cut
يمثل استخراج النصوص من المستندات المعقدة متعددة الأعمدة—مثل الأوراق البحثية، وتخطيطات الصحف، والميزانيات المالية—تحدياً كبيراً. وإذا قرأ البرنامج النص من اليسار إلى اليمين (أو العكس) عبر الصفحة بسطحية، فإنه يعبر حدود الأعمدة، دامجاً جمل العمود الأول مباشرة في جمل العمود الثاني لينتج نصاً مشوهاً وغير مفهوم.
يستخدم محركنا خوارزميات التجميع المكاني التكرارية XY-Cut؛ إذ يحلل إحداثيات الصناديق المحيطة ثنائية الأبعاد لكل كتلة نصية، ويحدد الفواصل الرأسية بين الأعمدة، ويقسم الصفحة إلى مسارات قراءة متسلسلة ومستقلة. ويمر المحرك على نصوص العمود الأول من الأعلى إلى الأسفل بالكامل قبل الانتقال إلى العمود الثاني، محافظاً على التسلسل المنطقي والدلالي اللازم لعمليات معالجة اللغات الطبيعية (NLP) ونماذج الذكاء الاصطناعي.
المعالجة المحلية بمبدأ المعرفة الصفرية: خصوصية مطلقة لمعالجة البيانات
إن المستندات التي تتطلب في الغالب استخراجاً آلياً للنصوص هي وثائق مؤسسية بالغة السرية: تقارير الأرباح الفصلية، ومحاضر اجتماعات مجالس الإدارة، واتفاقيات عدم الإفصاح، والمستندات القضائية، وسجلات شؤون الموظفين. وإن رفع هذه المستندات إلى واجهات برمجة التطبيقات (APIs) السحابية العامة ينتهك سياسات حوكمة البيانات ويعرض المؤسسة لمخاطر تسريب البيانات.
تعمل أداة استخراج النصوص من PDF وفق سيادة كاملة لبيانات العميل بنسبة 100%. وتنفذ جميع عمليات قراءة ملفات PDF، وتفكيك جداول CMap، وتوليد التدفقات النصية بالكامل داخل علامة تبويب متصفحك بالاعتماد على WebAssembly و Web Workers. ولا تلمس ملفاتك أي خوادم سحابية خارجية مطلقاً.
مقارنة بين النص البسيط (.txt) والاستخراج المهيكل بصيغة JSON
تتطلب مسارات عمل هندسة البيانات المختلفة صيغاً متعددة. فبينما يفضل القراء البشريون ومحركات البحث ملفات نصية نقية ومنسقة (.txt) بمسافات وفقرات طبيعية، تتطلب مسارات تعلم الآلة والذكاء الاصطناعي بيانات وصفية هيكلية دقيقة.
تدعم أداتنا كلا الوضعين: تنزيل نص UTF-8 نقي للقراءة الفورية، أو تصدير تسلسل هرمي بصيغة JSON قابل للقراءة آلياً يتضمن أرقام الصفحات، وإحداثيات صناديق الكلمات `[x, y, width, height]`، وأسماء عائلات الخطوط، وأحجامها، ومؤشرات ترتيب القراءة، مما يتيح تكاملاً برمجياً سلساً مع منصات معالجة البيانات المؤسسية.
💡نصائح وإرشادات احترافية لاستخراج نصوص PDF بدقة
- •إذا كان نسخ النص من ملفك ينتج رموزاً غريبة أو علامات استفهام، فإن مفكك CMap /ToUnicode في أداتنا سيصلح ترميز الحروف تلقائياً.
- •في الأوراق البحثية متعددة الأعمدة، تضمن خوارزمية XY-Cut قراءة النصوص عموداً بعمود بدلاً من تشابك الجمل أفقياً.
- •اختر وضع التصدير بصيغة JSON المهيكلة إذا كنت تبني مسارات استخراج بيانات للغة Python أو مكتبة Pandas أو نماذج الذكاء الاصطناعي.
- •يرجى ملاحظة أن هذه الأداة تستخرج النصوص المتجهة الرقمية. أما إذا كان ملفك عبارة عن صور ممسوحة لورق فيزيائي، فستحتاج إلى أداة التعرف الضوئي على الحروف (OCR) أولاً.
- •استخدم اختصار البحث في المتصفح (Ctrl+F / Cmd+F) في نافذة المعاينة للتحقق السريع من دقة استخراج الأرقام والبيانات الرئيسية.
🛡️تحليل طبقات النصوص وتفكيك ترميز CMap Unicode عبر Web Worker
تنفذ سلسلة استخراج النصوص داخل بيئة Web Worker معزولة باستخدام مكتبة Mozilla PDF.js. يفك المعالج جدول المراجع التبادلية، ويسترجع شجرة الصفحات `/Pages`، ويحمل تدفقات محتوى الصفحة `/Contents`. ثم يحلل معاملات رسم النصوص (`BT`، `Tj`، `TJ`، `ET`) متتبعاً مصفوفة التحويل الحالية (CTM) ومصفوفة النصوص (`Tm`) لتحديد إحداثيات اللوحة الدقيقة. ويقيم تدفق `/ToUnicode` لقاموس الخط النشط، مترجماً رموز المحارف عبر جداول CMap BFH و BFRange إلى وحدات ترميز UTF-16 القياسية. وتُفكك الروابط المطبعية، وتُحسب عتبات فواصل الأسطر بناءً على اتساع الخط، وتُنسق الكتل النصية في سلاسل UTF-8 نقية بالكامل داخل ذاكرة المتصفح.
التقنيات: WebAssembly • خيوط معالجة Web Workers المتعددة • واجهة HTML5 Canvas
الخصوصية: لا تغادر الملفات جهازك ولا تُخزَّن سحابيًا؛ والتحليلات تعمل بموافقتك فقط.
أدوات مكملة شائعة الاستخدام
قم بدمج هذه الأدوات معاً للحصول على أفضل نتائج وسرعة.
تحويل PDF إلى صور JPG
استخراج صور JPG عالية الدقة من كل صفحة في ملف PDF.
تحويل PDF إلى صور PNG
تحويل صفحات مستند PDF إلى صور PNG نقية وعديمة الفقدان.
تحويل PDF إلى صور WebP
تصدير صفحات PDF إلى ملفات WebP خفيفة ومثالية لمواقع الويب.
تحويل JPG إلى مستند PDF
تحويل الصور والإيصالات والمستندات الممسوحة ضوئياً إلى مستند PDF متعدد الصفحات.