استخراج النص من ملف PDF

كيف تعمل

لا يخزّن ملف PDF فقرات أو جملًا أو حتى كلمات؛ بل يخزّن سلاسل من رموز الحروف بمواضع محددة: «ضع أشكال الأحرف هذه في هذه الإحداثيات بهذا الخط». تستخدم هذه الأداة pdf.js، محرك PDF الخاص بفايرفوكس، للمرور عبر تدفق محتوى كل صفحة وجمع كل عملية عرض نص عبر getTextContent(). تُدمج هذه الأجزاء بمسافات وتُطوى الفراغات الزائدة، صفحة بصفحة، لتكوين النص العادي الذي تراه.

يفسر نموذج التخزين هذا سببين قد يفاجئك بهما الاستخراج. الأول هو ترتيب القراءة: تُعيد pdf.js الأجزاء تقريبًا بالترتيب الذي تظهر به في الملف، وهو ما قد لا يكون دائمًا الترتيب الذي يقرأ به إنسان صفحة متعددة الأعمدة أو جدولًا. الثاني، والأهم: ملف PDF الممسوح ضوئيًا لا يحتوي أي نص على الإطلاق؛ الماسح الضوئي ينتج صورة فوتوغرافية لصفحة، فما لم يمر أحدهم عبر تقنية OCR، لا توجد رموز حروف لاستخراجها، وستُبلغ الأداة بصدق أنها لم تجد شيئًا.

يحدث الاستخراج لحظة إسقاط الملف، بالكامل في خيط عمل محلي. افتح أدوات المطوّر وراقب تبويب الشبكة: سواء كان الملف عقدًا أو تقريرًا طبيًا، لا يحمل أي طلب مستندك أو نصه إلى أي مكان.