تحويل PDF إلى نص عادي: حين تكون التنسيقات هي المشكلة
جرّب تشغيل diff على ملفَّي PDF. لن تستطيع؛ فهما ملفان ثنائيان، وحتى المستند «نفسه» إذا
أُعيد تصديره من المصدر ذاته سيختلف بايتًا ببايت بسبب الطوابع الزمنية وترتيب الكائنات داخله. الآن استخرج
النص من كليهما وقارن بينهما، وفي ثانيتين تعرف بالضبط أي ثلاث جمل تغيّرت بين النسخة 11 والنسخة 14 من العقد.
هذه هي حجّة تحويل PDF إلى نص عادي باختصار. ليست «Markdown ولكن أسوأ»، بل أداة مختلفة
لمهمة مختلفة. النص هو ما تُطعمه لمُصنِّف، وما تفهرسه في محرك بحث، وما تُدخله في قاعدة بيانات متجهية، وما
تمرره عبر grep، وما تعدّ كلماته، وما تسلّمه لأي أداة تتعامل مع
# و| بوصفها محارف يجب تحليلها لا تجاهلها. أفلِت ملفًا في المحوِّل أعلاه وستحصل
عليه في ثوانٍ. مجانًا، بلا تسجيل، بحد أقصى 50 MB، ولا نحتفظ بشيء عندنا.
ما الذي تكسبه حين ترمي الترميز جانبًا
الاستخراج النصي الخام هو الكلمات بترتيب القراءة، ولا شيء غير ذلك. لا محارف صياغة، ولا قواعد هروب، ولا التباس حول ما إذا كانت النجمة تعني توكيدًا أم أنها نجمة حقيقية. وفي عدد مفاجئ من مسارات المعالجة لا يمثّل هذا تنازلًا، بل هو الشرط الأساسي:
- التضمينات والبحث الدلالي. تقطّع المستند، وتُولّد متجهًا لكل مقطع، ثم تسترجع بالتشابه. الخطوط العمودية وعلامات التجزئة في Markdown لا تضيف شيئًا إلى المعنى، لكنها تحتل مواضع فعلية داخل المتجه، أي أنها تخفيف وتشتيت. مقاطع النثر النظيف تُسترجع بدقة أعلى.
- المُصنِّفات ونماذج المواضيع. أي شيء يعتمد على حقيبة الكلمات أو TF-IDF أو تحليل
n-gram سيعامل
###على أنه token ما لم تحذفه أولًا. وفّر خطوة التنظيف بألّا تُدخله من الأساس. - فهرسة البحث. Elasticsearch وSQLite FTS و
tsvectorفي Postgres، كلها تريد نصًا خامًا في عمود. Markdown يعني تمريرة تنظيف إضافية. - مقارنة الإصدارات. المقارنة السطرية تعمل جيدًا على النثر وسيئًا على الجداول، لأن تعديل خلية واحدة في جدول Markdown يعيد ضبط السطر بأكمله ويكتبه من جديد.
- اقتصاد الـ tokens. إن كنت تلصق مستندًا طويلًا في نموذج بنافذة سياق ضيّقة، فكل خط عمودي هو token دفعت ثمنه ولم تجنِ منه شيئًا.
وما الذي تخسره — يُستحسن معرفته من البداية
التسطيح عملية مُتلِفة، وهذا مقصود. وهناك خسارتان تفوقان غيرهما أهمية.
الجداول تنهار. يتحوّل الجدول المالي إلى سلسلة أرقام تفصلها مسافات. القيم كلها موجودة، أما العمود الذي كان ينتمي إليه كل رقم فلا، ولن يستعيده أي قدر من هندسة المطالبات. إذا كان الجدول هو جوهر المستند، فاستخدم تحويل PDF إلى Markdown بدلًا من ذلك، حيث تحافظ جداول الخطوط العمودية على الصفوف والأعمدة سليمة.
البنية الهرمية تتلاشى. عنوان القسم والجملة التي تليه يصيران سطرين متجاورين لا يميّز بينهما شيء. اطلب من نموذج أن «يلخّص القسم 4» وسيضطر إلى استنتاج أين يبدأ القسم 4 من الصياغة وحدها. وفي المستندات الطويلة المهيكلة — المواصفات والمعايير والعقود ذات البنود المرقّمة — من هنا تحديدًا تنحرف الإجابات.
مبدّل الصيغة أعلى الصفحة ينقلك بين النص وMarkdown ويحتفظ بالملف الذي اخترته سلفًا، فتكلفة التحويل بالصيغتين للمقارنة نقرة واحدة لا رفع جديد للملف.
استخراج النص من PDF: غرائب تظهر في الناتج
صيغة PDF هي لغة وصف صفحة. إنها تخزّن المحارف المرسومة عند إحداثيات، والاستخراج يعني إعادة بناء الجُمَل من ذلك. تنتج عن هذا بضع آثار جانبية، ومعرفتها توفّر عليك نصف ساعة من الحيرة:
- فواصل أسطر قاسية في منتصف الجملة. لا يعرف PDF مفهوم الفقرة التي يُعاد تدفّقها؛ كل
سطر مرئي كتلة نص مستقلة. لذا تصلك الفقرة الواحدة في ستة أسطر قصيرة. وهذه أكبر مطبّة على الإطلاق في
العمل مع
grepوالتعبيرات النمطية: ابحث عن عبارة صادف أنها امتدت عبر فاصل سطر ولن تحصل على أي نتيجة لنص هو موجود أمامك بوضوح. - الوصل بالشرطة يبقى كما هو. في المحتوى اللاتيني، كلمة مقسومة بين سطرين على هيئة «manage-» / «ment» تظل مقسومة عادةً. تستحق جولة بحث واستبدال قبل عدّ الكلمات أو استخراج الكلمات المفتاحية.
- ترويسات الصفحات وأرقامها تتخلل النص. اسم الشركة و«صفحة 14 من 88» يهبطان في وسط نثرك كل بضعة آلاف حرف. لا ضرر منهما عند القراءة، ومزعجان قليلًا عند التقطيع، ويسهل حذفهما بتعبير نمطي من سطر واحد بمجرد أن تلاحظ النمط.
- ترتيب الأعمدة قد يتشابك. التخطيطات الأكاديمية ذات العمودين تُخطَّط خطيًا بشكل صحيح في الغالب، لكن الإطارات الجانبية العائمة والاقتباسات البارزة وكتل الحواشي تهبط أحيانًا في منتصف الفقرة.
- الحروف المدمجة والمحارف الغريبة. في ملفات PDF المنضّدة احترافيًا، غالبًا ما تكون «fi» و«fl» محرفًا مرسومًا واحدًا. معظمها يُستخرج دون مشكلة. أما ملف PDF مبني بخط مُجزّأ يفتقر إلى جدول ربط Unicode سليم فقد يخرج على هيئة طلاسم — وهو أمر نادر، وحين يقع فالمشكلة في الملف لا في المحوِّل.
ملف PDF الممسوح ضوئيًا لا نص فيه أصلًا لتستخرجه
ملف PDF الممسوح ضوئيًا هو صورة فوتوغرافية لورقة داخل غلاف PDF. لا شيء فيه لتنتزعه سوى البكسلات، والتعرّف الضوئي على الحروف لا يمتد إلى داخل ملف PDF، فالملف الذي لا يحوي إلا صورًا يعود فارغًا. (ارفع الصفحة نفسها بصيغة JPG أو PNG وستُقرأ جيدًا؛ انظر تحويل الصور إلى نص. غلاف PDF هو ما يقف في الطريق.) الاختبار يستغرق ثانيتين: افتح الملف وحاول تحديد جملة بمؤشر الفأرة. إن تظلّل النص فأنت بخير. وإن حصلت على مستطيل يغطي الصفحة كلها فهذا مسح ضوئي.
مع الملفات الممسوحة ضوئيًا، شغّل OCR أولًا — Acrobat وتطبيق Preview على macOS ومعظم قارئات PDF الحديثة فيها أمر «التعرّف على النص» — ثم عُد وحوِّل. الفرق في جودة الناتج ليس فرقًا خفيًا.
مهام حقيقية يحلّها هذا
- بناء مجموعة نصوص لنظام RAG. مئات ملفات PDF للسياسات تتحول إلى نص، تُقسَّم عند حدود الفقرات، ثم تُولَّد متجهاتها. النص هو الصيغة التي تتوقعها كل مكتبة تقطيع افتراضيًا.
- مراجعة تعديلات العقود. استخرج نسختين من العقد، وشغّل مقارنة على مستوى الكلمة، واقرأ التغييرات الفعلية بدل الوثوق ببريد يلخّصها.
- الامتثال ومسح الكلمات المفتاحية. شغّل grep على مجلد من التقارير المستخرجة بحثًا عن مصطلح محدّد، أو اسم مورّد، أو عبارة لا ينبغي أن تكون هناك. فوري، دون اتصال، ولا يحتاج أداة غير الطرفية.
- تحليل السهولة والأسلوب. توزيع أطوال الجُمَل، وكثافة المصطلحات المتخصصة، ودرجات مستوى القراءة — كل ذلك يريد نثرًا نظيفًا بلا رموز تنسيق في التدفق.
- تغذية محرّكات النطق. قارئ الشاشة أو محرك TTS سيقرأ لك بكل رحابة صدر «هاش هاش مقدّمة» بصوت عالٍ إن سلّمته Markdown.
- فحص سريع لعدد الـ tokens. العدّاد أسفل الناتج يخبرك بتكلفة المستند قبل أن تلصقه في أي مكان، وهذا أنفع بكثير من اكتشافها عبر رسالة خطأ عن اقتطاع النص.
أسئلة شائعة
كيف أحوّل ملف PDF إلى نص مجانًا؟
أفلِت الملف في المحوِّل أعلى الصفحة وسيظهر النص المستخرج أسفله مباشرة. لا حساب، ولا بريد إلكتروني، ولا علامة مائية على الناتج. الحد 50 MB للملف الواحد، ولا يُحفظ شيء بعد حصولك على نصك. انسخه مباشرة، أو نزّله بصيغة .txt.
لماذا يخرج النص المستخرج من ملف PDF على هيئة طلاسم؟
السبب في الخط دائمًا تقريبًا، لا في المحوِّل. ملف PDF مبني بخط مُجزّأ لا يأتي معه جدول ربط Unicode يخزّن فهارس المحارف المرسومة دون أن يذكر أي حروف تمثّلها، فيعيد الاستخراج تلك الفهارس على شكل حروف بلا معنى. وإذا كان النص غير قابل للتحديد في قارئ PDF لديك أيضًا، فالملف نفسه هو المشكلة، وعليك إعادة تصديره من المستند الأصلي.
هل يمكن تحويل ملف PDF ممسوح ضوئيًا إلى نص؟
ليس مباشرة. الملف الممسوح ضوئيًا صورة ملفوفة في PDF، ولا توجد بداخله حروف لتنتزعها، فيعود الناتج فارغًا. أمامك طريقان: شغّل «التعرّف على النص» في Acrobat أو في Preview على macOS أولًا ثم حوّل هنا، أو صدّر الصفحة بصيغة PNG واستخدم تحويل الصور إلى نص، فهو يشغّل OCR فعليًا على البكسلات.
لماذا ينقطع النص المستخرج بين الأسطر في منتصف الجملة؟
لا وجود في PDF لفقرة يُعاد تدفّقها؛ كل سطر مرئي مخزَّن ككتلة نص مستقلة، فتصلك الفقرة في ستة أسطر قصيرة. وهذا يعضّ بشدة عند العمل مع grep والتعبيرات النمطية: عبارة امتدت عبر فاصل سطر تعيد صفر نتائج. اربط الأسطر التي لا تنتهي بعلامة ترقيم ختامية قبل أن تبدأ البحث.
هل أحوّل ملف PDF إلى txt أم إلى Markdown؟
إلى نص إذا كانت الوجهة تحلّل كلمات خامًا: التضمينات، وفهارس البحث، والمُصنِّفات، والمقارنات. وإلى Markdown إذا كان شكل المستند يحمل معنى، لأن جداول الخطوط العمودية تنجو والعناوين تبقى موسومة. الجداول هي العامل الحاسم: سطّح جدولًا ماليًا إلى نص وسيضيع إلى الأبد العمود الذي كان ينتمي إليه كل رقم.
هل يُرفع ملف PDF الخاص بي إلى خادم؟
يُرسَل الملف إلى خدمة التحويل، ويُعالَج، ثم يُتلَف؛ فهو لا يُخزَّن ولا يُسجَّل ولا يُفهرَس، ولا يبقى منه شيء بعد عودة الاستجابة. وإن كنت تحتاج إلى تحويل لا يغادر فيه الملف جهازك فعليًا، فإن محوِّل المجلدات المحلية يقرأ الملفات داخل المتصفح بدلًا من ذلك.
بقية صندوق الأدوات
PDF واحدة من ثلاث عشرة صيغة مدعومة. File2Txt يتعامل معها جميعًا من رفعة واحدة، أو اذهب مباشرة إلى تحويل Word إلى نص لملفات DOCX، و تحويل HTML إلى نص لصفحات الويب المحفوظة، و تحويل EPUB إلى نص للكتب الإلكترونية، أو تحويل الصور إلى نص للقطات الشاشة. تعمل على شيفرة برمجية بدلًا من ذلك؟ حوّل مستودع GitHub إلى نص، أو مشروع GitLab، أو مجلدًا محليًا. وللصفحات الحيّة على الويب، يسحب Web2Txt عنوان URL مباشرة. أما دليل تجهيز المستندات لنماذج اللغة الكبيرة فيغطي النسخة العامة من كل هذا.
Repo2Txt من بناء وصيانة v12hero، مطوّر مستقل يبني تطبيقات أصلية وويب تضع الخصوصية أولًا.