PDF إلى نص

مهمتان مختلفتان تحملان الاسم نفسه

خلف عبارة «استخراج النص» تختبئ مهمتان تريدان معاملتين متعاكستين. إن كنت ستقرأ النتيجة أو تلصقها في مكان ما، فأنت تريد للأسطر التي قطعتها الصفحة أن تعود جملًا. وإن كنت تستخرج جدولًا أو قائمة رموز، فإن قطع الأسطر هو البنية ذاتها، وجمعها يهدمها.

لذلك تُعرض الطريقتان بدل التخمين. الجمع يستعين بالمسافات بين الأسطر ليحدد أين تنتهي الفقرة فعلًا، ويُعيد وصل الكلمات المقطوعة في نهاية السطر. أما إبقاء الأسطر فيعطيك الصفحة كما صُفّت تمامًا، سطرًا بسطر.

النص يأتي من طبقة النص في الملف نفسه، فهو الكلمات التي يحتويها المستند حقًا، لا تخمينًا من صورة. وهذا يعني أيضًا أن ملف PDF الممسوح ضوئيًا لا يحتوي نصًا يُستخرج — بل صورًا لنص. والأداة تقول ذلك بدل أن تسلّمك ملفًا فارغًا.

المخرَج نص UTF-8 بسيط يقرؤه كل محرر وكل جدول بيانات وكل برنامج نصي دون تعقيد. والتنسيق لا يبقى بطبيعة الحال: إن أردت العناوين والخط العريض فاستخدم PDF إلى Word.