استخراج النص من PDF

الحفاظ على النص قابلاً للتحديد والبحث

قد يحتوي ملف PDF نصاً حقيقياً أو صورة لنص، والفرق مهم: فالنص الحقيقي يمكن تحديده والبحث فيه ونسخه وقراءته بصوت عالٍ، أما الصفحة الممسوحة ضوئياً فلا يمكن ذلك فيها حتى يشغّل أحدهم عليها OCR. وكثير من أدوات «تقليل الحجم» تسطّح كل شيء في صور بصمت، فيصغر الملف لكن قابلية البحث تتلف ويصبح النص ضبابياً عند التكبير. وإن كان المستند يجب أن يبقى صالحاً للاستخدام، مثل العقود والأدلة وكل ما قد تحتاج إلى البحث فيه لاحقاً، فاترك النص نصاً واضغط الصور وحدها. وإن كنت تبدأ من مسح ضوئي فشغّل OCR أولاً ثم اضغط.

ما الذي يجعل ملف PDF كبيراً فعلاً

كل الحجم الضخم في ملف PDF تقريباً يأتي من الصور لا من النص. فمسح ضوئي من عشر صفحات قد يبلغ 40 MB، بينما مستند نصي من 300 صفحة يقلّ غالباً عن 2 MB. ولهذا يستهدف الضغط الصور المضمّنة: فهو يخفض دقتها إلى حد معقول (150 dpi تكفي عادةً للقراءة على الشاشة، و300 dpi فقط إن كان أحدهم سيطبعه)، ثم يعيد ترميزها بكفاءة أعلى. أما النص والفواصل المرجعية والروابط وحقول النماذج فلا تكلّف شيئاً تقريباً ولا ينبغي أبداً حذفها. وإن بقي الملف كبيراً بعد الضغط فهو يحتوي عادةً إما على صور عالية الدقة كثيرة لم يمسّها إعداد الضغط، وإما على خطوط ومرفقات مضمّنة يمكن تجريدها.