تحويل PDF إلى JSON
استخرج نص كل صفحة والبيانات الوصفية ومقاسات الصفحات والإشارات المرجعية من ملف PDF إلى ملف JSON واحد.
حول هذه الأداة
تقرأ هذه الأداة ملف PDF وتكتب ما تجده في ملف JSON: نص كل صفحة، والبيانات الوصفية للمستند (العنوان والمؤلف والتواريخ ونحوها)، ومقاس كل صفحة وتدويرها، وإشاراته المرجعية مع الصفحة التي تفتحها كل واحدة.
يُكتب نص الصفحة سطرًا سطرًا بترتيب قراءته، مع علامة جدولة بين أجزاء السطر المتباعدة، كخانات الجدول. والصفحة المرتبة في أعمدة تُقرأ عمودًا بعد عمود، والنص العربي يُكتب بترتيب قراءته أيًّا كانت طريقة حفظه في الملف. ولا يتضمن الملف الخطوط ولا مواضع النص ولا الصور ولا حقول النماذج ولا التعليقات. والصفحة الممسوحة ضوئيًا لا نص فيها قبل أن تمرّ على التعرف الضوئي: نصها فارغ، وتخبرك الصفحة بأرقام تلك الصفحات.
يجري الاستخراج كله داخل متصفحك، ولا يُرفع ملف PDF إلى أي خادم.
كيفية الاستخدام
رفع ملف PDF الخاص بك
سحب وإفلات ملف PDF أو النقر لاختياره.
اختيار البيانات المستخرجة
بعد إضافة الملف حدّد ما تريده تحت «خيارات الاستخراج»: «تضمين النص» و«تضمين البيانات الوصفية» و«تضمين مقاسات الصفحات» و«تضمين الإشارات المرجعية». والخيار «إزاحة أسطر الملف» يجعل الملف أسهل قراءة. ولتحديد صفحات بعينها اكتبها في «نطاق الصفحات»، مثل 1-3, 5, 7؛ والنطاق الذي لا يطابق أي صفحة في الملف يُرفض.
الاستخراج والتحميل
انقر على «استخراج إلى JSON». تظهر أول 5000 حرف تحت «معاينة JSON»، وانقر على «تنزيل» لحفظ الملف كاملًا. وغيّر أي خيار ثم استخرج من جديد متى شئت.
حالات الاستخدام
استخراج البيانات
احصل على نص كل صفحة سطرًا سطرًا، جاهزًا للبحث فيه أو لتمريره إلى برنامج.
تحليل المستندات
اقرأ من برنامج عدد صفحات ملف PDF ومقاساتها وبياناته الوصفية وإشاراته المرجعية.
التكامل البرمجي
استيراد محتوى PDF إلى التطبيقات عبر JSON.
الأسئلة المتداولة
ما هي البيانات التي يتم استخراجها؟
اسم الملف، وعدد الصفحات وإصدار PDF، وحقول البيانات الوصفية: العنوان والمؤلف والموضوع والكلمات المفتاحية والبرنامج المنشئ والبرنامج المنتج والتاريخان مكتوبين بصيغة ISO 8601، والإشارات المرجعية، لكل واحدة عنوانها والصفحة أو عنوان الويب الذي تفتحه، ولكل صفحة رقمها وعرضها وارتفاعها بالنقاط وتدويرها ونصها. ولا تُستخرج الخطوط ولا مواضع النص ولا الصور ولا حقول النماذج.
هل صيغة JSON موثقة؟
لا يوجد توثيق مستقل، لكن البنية قصيرة وثابتة: "filename" و"info" (وفيها "pageCount" و"pdfVersion") و"metadata" و"outline" (قائمة في كل عنصر منها "title" ثم "page" أو "url"، و"items" لما تحته من إشارات) و"pages"، وهي قائمة في كل عنصر منها "pageNumber" و"width" و"height" و"rotation" و"text". والجزء الذي تلغي تحديده لا يُكتب في الملف، والصفحة التي تعذّرت قراءتها فيها "error" مكان "text".
هل يمكنني الاستخراج من ملفات PDF ممسوحة ضوئياً؟
الصفحة الممسوحة ضوئيًا فيها صورة لا نص، فيكون "text" فيها فارغًا، وبعد الاستخراج تذكر الصفحة أرقام الصفحات التي هذا حالها. شغّل أداة التعرف الضوئي (OCR PDF) على الملف أولًا، ثم استخرج من ملف PDF القابل للبحث الذي تعطيك إياه.