تحويل PDF إلى TXT: دليل استخراج النص بسرعة كنص عادي

لديك ملف PDF وكل ما تريده هو الحصول على النص بداخله — دون التعامل مع التنسيق، أو تخطيط الصفحة، أو الصور. تريد لصق عقد بسرعة في محرك بحث، أو نقل تقرير إلى أداة تحليل نصوص، أو نقل مستند طويل إلى معالج نصوص بحالته "النظيفة". هنا بالضبط يأتي دور تحويل PDF ← TXT: عملية بسيطة لكنها مفيدة بشكل مدهش، تستخرج النص المُضمَّن داخل PDF وتعطيك ملف .txt عاديًا خاليًا من التنسيق.

في هذا المقال نتناول بالتفصيل ما تفعله هذه الأداة خلف الكواليس، وفي أي ملفات PDF تعطي نتيجة جيدة وفي أيها تكون النتيجة ضعيفة، وماذا يعني ذلك بالنسبة لبياناتك.

كيف يُخزَّن النص داخل PDF فعليًا؟

عادة ما نفكر في صيغة PDF على أنها "مستند يشبه الصورة"، لكن معظم ملفات PDF تُخزِّن النص فعليًا حرفًا حرفًا مع معلومات الموضع. التطبيق الذي أنشأ ملف PDF (Word، LaTeX، وظيفة طباعة صفحة ويب، برنامج محاسبة، إلخ) يضع كل حرف عند إحداثيات x-y محددة على الصفحة، بخط معين. أي إذا ظهرت كلمة "مرحبًا" في PDF، فإن الملف يحتوي فعليًا على ترميز للحروف "م-ر-ح-ب-ا" ومواضع هذه الحروف على الصفحة.

تنزل أداة PDF ← TXT إلى هذه الطبقة بالتحديد: تتجول صفحة صفحة وتقرأ سلاسل الحروف هذه، وتضع جانبًا معلومات الموضع والخط، وتجمع النص وحده. تُستبعَد في هذه العملية العناصر البصرية مثل الصور والخطوط والألوان وإطارات الجداول؛ ويبقى نص بسيط، قابل للبحث، وقابل للنسخ.

الاستثناء هنا هو المستندات الممسوحة ضوئيًا. عندما تمرر ورقة عبر ماسح ضوئي وتحوّلها إلى PDF، يكون ذلك الملف في الواقع صورة — لا توجد بداخله "طبقة نص"، بل صورة مكوَّنة من وحدات بكسل فقط. عند تشغيل أداة استخراج النص على ملف كهذا، تخرج النتيجة فارغة أو بلا معنى، لأنه لا توجد سلسلة حروف لقراءتها. تحتاج هذه المستندات إلى التعرف على النص (OCR)؛ أما PDF ← TXT فمصمَّمة للمستندات المُنتَجة رقميًا أصلًا والتي تحتوي على طبقة نص.

آلية عمل الأداة: مسح الصفحات وترتيب التدفق

تتّبع عملية التحويل في جوهرها هذه الخطوات: يُفتَح ملف PDF، وتُعالَج الصفحات واحدة تلو الأخرى، وتُرتَّب عناصر النص في كل صفحة حسب موضعها في ترتيب قراءة منطقي (من الأعلى للأسفل، ومن اليسار لليمين)، ويُحاوَل الحفاظ قدر الإمكان على نهايات الأسطر ومسافات الفقرات، ثم يُدمَج النص الناتج في ملف .txt واحد.

هنا من المهم أن تتم العملية بالكامل من جانب العميل، أي داخل متصفحك. لا يُرفَع الملف إلى خادم ليُعالَج هناك؛ بمجرد فتح PDF، يبدأ محلِّل يعمل داخل المتصفح باستخراج النص وإنشاء الملف القابل للتنزيل، كل ذلك داخل المتصفح أيضًا. النتيجة العملية لهذا النهج هي: عند تحويل مستندات الشركة الخاصة، أو العقود، أو الملاحظات الشخصية، لا يخرج ملفك إلى الإنترنت إطلاقًا.

ماذا يحدث في الصفحات متعددة الأعمدة والتي تحتوي جداول؟

في صفحة نصية بسيطة أحادية العمود، يعمل التحويل بشكل شبه مثالي. تصبح الأمور أكثر تعقيدًا قليلًا في التخطيطات متعددة الأعمدة على طراز الصحف، أو الجداول المتجاورة، أو المستندات الغنية بالتصميم حيث توضع مربعات النص بحرية. لأن صيغة PDF لا تحمل بنية منطقية مثل "يجب قراءة هذين العمودين بشكل منفصل"؛ إنها تعرف فقط إحداثيات كل حرف على الصفحة. تحاول الأداة استنتاج ترتيب قراءة معقول من هذه الإحداثيات، لكن قد تحدث حالات مثل تداخل الأسطر أحيانًا في صفحة ذات عمودين، أو ظهور خلايا الجدول تحت بعضها بدلًا من جانب بعضها. هذا ليس عيبًا في الأداة، بل حدّ يفرضه النص العادي بطبيعته — فهدفه نقل المحتوى، لا التخطيط.

متى تفيدك؟

يظهر أحد أكثر أنماط الاستخدام شيوعًا عندما تريد معالجة محتوى PDF طويل في مكان آخر: إجراء بحث واستبدال في محرر نصوص، أو تمريره عبر عداد كلمات، أو لصقه في أداة ترجمة، أو إعطاؤه كسياق لأداة محادثة بالذكاء الاصطناعي. بما أن النص العادي الخالي من التنسيق هو الصيغة الأكثر توافقًا للعمل مع هذا النوع من الأدوات، فإن تحويل PDF إلى TXT أولًا ثم نقل ذلك النص إلى حيث تريد غالبًا ما يكون الطريق الأسرع.

مجال استخدام آخر هو الأرشفة والفهرسة. من يحتفظ بتقارير أو فواتير أو مقالات تراكمت عبر السنين في مجلدات، يريد أن يتمكن من البحث بكلمة مفتاحية داخل هذه الملفات. رغم أن ملفات PDF قابلة للبحث أيضًا، إلا أنه في بعض الأنظمة (أدوات البحث النصي البسيطة، برامج الفهرسة القديمة، بعض أدوات سطر الأوامر) تُفهرَس ملفات النص العادي بسلاسة أكبر بكثير مقارنة بملفات PDF. تحويل المستندات إلى TXT والاحتفاظ بها بجانبها يسهّل هذا النوع من بنية البحث.

هناك استخدام طبيعي أيضًا للمطوّرين ومعالجي البيانات: عندما تحتاج لمعالجة محتوى PDF في سكربت أو سير عمل آلي، غالبًا ما يكون تحويل النص أولًا إلى صيغة عادية، ثم إجراء عمليات مثل التحليل أو البحث بالتعبيرات النمطية (regex) أو عد الكلمات على ذلك النص، أبسط من معالجة PDF مباشرة.

ماذا يعني ذلك من ناحية الأمان والخصوصية؟

كون التحويل يتم بالكامل داخل المتصفح يُحدث فرقًا عمليًا خصوصًا لمن يعملون مع مستندات حساسة. بما أن الملف الذي رفعته لا يُرسَل إلى خادم، لا توجد مخاطرة بحفظ نسخة من الملف في مكان آخر أثناء المعالجة، أو تسجيلها في سجلات (logs)، أو مشاركتها عن طريق الخطأ مع طرف ثالث. يكتسب هذا أهمية خاصة في سيناريوهات مثل: المستندات الرسمية التي تحتوي على بيانات هوية، ومسودات العقود غير الموقَّعة بعد، والتقارير المالية، أو الملاحظات الداخلية التي لا يُراد مشاركتها.

مع ذلك، هناك نقطة يجب أن تضعها في اعتبارك: قد يلتقط ناتج TXT أيضًا نصوصًا "غير مرئية" في PDF لكنها موجودة تقنيًا. على سبيل المثال إذا كانت هناك ملاحظة مكتوبة باللون الأبيض في PDF، غير مرئية للعين لكنها موجودة كحرف، فإن عملية استخراج النص تلتقطها أيضًا — لأن العملية تقرأ بيانات الحروف لا اللون. هذه ليست في الواقع نقطة ضعف في الأداة، بل خاصية عامة لملفات PDF؛ مراجعة النص الذي حوّلته قبل مشاركته عادة جيدة دائمًا.