تحويل PDF إلى نص

لأن الملف الممسوح ضوئيًا صورة للنص لا نص. لا توجد فيه طبقة نص لاستخراجها، فتظهر لك رسالة واضحة ورابط إلى التعرف الضوئي على الحروف (OCR)، الذي يقرأ الحروف من الصورة ويجعل المستند قابلًا للبحث. بعد ذلك يعمل الاستخراج كالمعتاد.

يعيد وضع «الفقرات المتصلة» ضم الأسطر في فقرات ويحذف فواصل الأسطر الأصلية، وهو الأنسب للقراءة والتعديل. أما «الحفاظ على التنسيق» فيُبقي كل كلمة في موضعها على الصفحة باستخدام المسافات، وهو الأنسب للجداول والإيصالات والقوائم ذات العرض الثابت.

تُكتشف الأعمدة من الفراغ الفاصل بينها، فيُقرأ العمود الأيسر كاملًا قبل أن يبدأ العمود الأيمن. وتبقى صفوف الجداول صفوفًا: لا تُعامل شبكة الخلايا الضيقة على أنها أعمدة أبدًا، فتبقى خلايا الصف الواحد على سطر واحد.

نعم، في وضع «الفقرات المتصلة». الكلمة الإنجليزية المقسومة إلى infor- في آخر السطر وmation في بداية السطر التالي تُعاد إلى information. أما الواصلات الحقيقية داخل الكلمات، مثل de-hyphenation، فتبقى كما هي.

نعم. يُكتب النص بترميز UTF-8، فتبقى كل أنظمة الكتابة الموجودة في ملف PDF سليمة، ومنها السيريلية واليونانية والعربية والعبرية واليابانية والكورية والصينية. أما Windows-1251 فلا يُعرض إلا لأنظمة العمل السيريلية القديمة التي تحتاج إليه.

يُحذف، لأن ملف .txt لا تنسيق فيه. لا يبقى الخط العريض ولا الألوان ولا أحجام الخطوط ولا الصور ولا الجداول. وإذا أردت أن تبقى العناوين والقوائم والروابط جزءًا من بنية المستند، فحوّل الملف إلى Markdown بدلًا من ذلك، أو إلى Word للحصول على مستند كامل قابل للتعديل.

لا. تجري المهمة كلها في متصفحك بمحرك PDF تحمله الأداة معها. لا يُرسل الملف إلى أي مكان، ولا تحتاج الأداة إلى حساب، وتواصل العمل حتى لو انقطع اتصالك في منتصف مستند كبير.

حتى 2 غيغابايت للملف الواحد، وحتى 20 ملفًا دفعة واحدة. تُعالج الصفحات واحدة تلو الأخرى ولا يُرسم أي شيء، فيبقى مستند من 500 صفحة ضمن بضع مئات من الميغابايت من الذاكرة بهامش واسع.