استخراج النص من PDF: ميّز الملف النصي من الممسوح
لتحويل محتوى PDF إلى نص قابل للتحرير، ابدأ بمعرفة ما تحفظه الصفحة: نصًا أم صورة ممسوحة. هذا الفرق يساعدك على اختيار طريقة الاستخراج ومراجعة النتيجة، حتى عندما تبدو الصفحات متطابقة على الشاشة.
ابدأ بتجربة نسخ سطر
افتح الملف في قارئ PDF، وحدد جملة ثم انسخها إلى محرر نص بسيط. إذا خرج نص صحيح فهذه إشارة جيدة، وليست ضمانًا لكل الصفحات. إذا لم يمكن التحديد، فقد تكون الصفحة صورة؛ وقد تكون هناك أيضًا قيود أو بنية تمنع الاستخراج.
OCR يحاول التعرف على الحروف داخل الصور. بعض المستندات الممسوحة تحتوي طبقة نص نتجت عن OCR سابق؛ إمكان نسخها لا يعني خلوها من أخطاء التعرف.
المراجع: pypdf — Extract Text from a PDF
النص القابل للتحرير لا يعني التصميم نفسه
قد يعرف PDF مواضع الحروف دون أن يصف فقرة أو جدولًا كما يفعل محرر مستندات. لذلك قد يحتاج ترتيب الأعمدة والمسافات ومواقع الحواشي إلى مراجعة بعد الاستخراج. تحويل النص إلى DOCX هدف مختلف عن إعادة بناء الصفحة بكل صورها وتنسيقها.
المراجع: pypdf — Extract Text from a PDF
كيف تفحص الناتج قبل الاعتماد عليه؟
ابدأ بفقرة من أول المستند وأخرى من وسطه وآخره، ثم افحص مواضع حساسة: اسمًا، تاريخًا، مبلغًا، وعنوانًا مختلطًا بالعربية والإنجليزية. لا يكفي أن يفتح الملف.
في جدول، طابق كل قيمة مع عنوان عمودها؛ انتقال رقم إلى العمود المجاور قد يغير المعنى أكثر من خطأ إملائي. وفي النص العربي، تحقق من ترتيب الكلمات والأرقام وعلامات الترقيم بدل الاكتفاء باتجاه الفقرة.
- احتفظ بـPDF الأصلي مرجعًا أثناء التحرير.
- إذا كان المطلوب تعديل جملة واحدة وملف المصدر متاحًا، فابدأ بالمصدر بدل دورة تحويل كاملة.
- الملف الممسوح بلا نص يحتاج مسار OCR؛ خدمة استخراج النص وحدها لا تؤدي هذه المهمة.
- لا ترفع مستندًا حساسًا إلى خدمة لا تناسب متطلبات خصوصيته.
مثال مراجعة يمكن تكراره
قبل التحويل، انسخ من الأصل جملة مثل «موعد اللقاء 12/10/2026 — Room B، الساعة 09:30». بعد التحويل ابحث عن الجملة، وعدّل كلمة ثم احفظ المستند وأعد فتحه.
تحقق من بقاء التاريخ والوقت وRoom B بالترتيب الصحيح. هذا يثبت قابلية تحرير هذا المثال؛ لا يثبت تلقائيًا صحة جدول أو نص ممسوح في صفحة أخرى.