استخراج النص من PDF

ما الذي تفعله أداة استخراج النص؟

ملف PDF المكتوب على جهاز يحمل داخله طبقة نص: حروفًا حقيقية لكل حرف منها موضع على الصفحة. أداة استخراج النص تقرأ هذه الطبقة وتعيد بناء أسطرها كما تُقرأ، فتخرج بنص تنسخه في رسالة أو مستند أو خانة في جدول، بدل أن تعيد كتابة عقد أو تقرير بيدك سطرًا سطرًا.

كل القراءة تجري داخل متصفحك، فلا يُرفع الملف ولا يمر نصه على أي خادم، وهذا ما يجعل الأداة صالحة لعقد أو كشف حساب أو تقرير طبي لا تريد أن يخرج من جهازك. وحين تنتهي القراءة يظهر النص أمامك في صندوق تقرأه قبل أن تأخذه، ومعه زر نسخ وزر تنزيل.

متى تستخرج النص، ومتى تحوّل إلى وورد أو إكسل؟

استخرج النص حين تريد الكلمات نفسها ولا يعنيك شكل الصفحة: فقرة من عقد تنقلها إلى رسالة، بند تبحث عنه، أسماء وأرقام تنقلها إلى نموذج، أو نص تريد أن تبحث فيه بعينك بدل أن تتنقل بين صفحات الملف. الناتج هنا نص خام سريع وخفيف، ولا يحمل خطوطًا ولا جداول ولا صورًا.

وحوّل إلى وورد حين تريد مستندًا تكمل تحريره بفقراته، وإلى إكسل حين تكون الصفحة جدولًا يهمك أن تبقى أعمدته أعمدة. القاعدة البسيطة: إن كان الشكل جزءًا مما تحتاجه فهذه ليست الأداة، وإن كانت الكلمات وحدها هي المطلوب فهذه أسرع طريق إليها.

أما إن كان المستند مسحًا ضوئيًا أو صورة من الكاميرا فلا توجد فيه طبقة نص أصلًا، ولا شيء هنا يمكن قراءته. هذه حالة القراءة الضوئية OCR، والأداة تقول لك ذلك صراحة وتضع أمامك رابطًا إليها يحمل ملفك معه.

لماذا تخرج العربية سليمة هنا؟

المستند العربي المنسّق يخزّن حروفه بترتيب بصري لا منطقي، ولهذا تخرج العربية من أدوات كثيرة مقلوبة أو متقطعة. نحن نجمع كلمات كل سطر أولًا كما تقع على الصفحة، ثم نعيد ترتيب السطر العربي من اليمين إلى اليسار، ونترك الأرقام والكلمات اللاتينية داخله جزرًا بترتيبها كما هي.

هذه التفرقة ليست تفصيلًا شكليًا. السطر الذي يقول إن المبلغ الإجمالي ⁦1,250.00⁩ ريال كان يخرج بالمبلغ مقلوبًا حين يُعاد ترتيب السطر كاملًا، ورقم خاطئ في عقد أسوأ من رسالة خطأ، لأنه يبدو معقولًا فلا ينبّه أحدًا إلى مراجعته. الأرقام اليوم تخرج كما كتبها من كتب المستند.

وفوق ذلك نصحح رسم لام ألف: هو رسم واحد يقابل حرفين، فيقلبه القارئ حين يعيد ترتيب السطر فتصير «الأول» «األول» و«بين» «بني». نقارن ما خرج بالرسوم الموجودة في الصفحة نفسها ونصحح هذه الحالة وحدها، ثم نطبّع أشكال الحروف إلى صورتها القياسية حتى يعمل البحث واللصق في أي برنامج.