کپی کردن متن از PDF برای استفاده در محتوای سایت

برای کپی کردن متن از PDF اول باید نوع فایل رو بشناسید. اگه نوشته‌ها قابل انتخاب باشن، معمولاً با یک کپی ساده کارتون راه می‌افته. ولی اگه هر صفحه مثل یک عکس باشه، باید از OCR کمک بگیرید؛ یعنی ابزاری که نوشته داخل تصویر رو به متن قابل انتخاب تبدیل می‌کنه.

توی این آموزش هر دو روش رو قدم‌به‌قدم جلو می‌بریم. بعد هم می‌بینیم چطور متن فارسی استخراج‌شده رو مرتب کنید، ایرادهای احتمالی اون رو بگیرید و برای انتشار در وردپرس آماده‌اش کنید. این نکته مهمه که استخراج متن همیشه قالب‌بندی، جدول‌ها و ترتیب ستون‌های فایل اصلی رو دقیق نگه نمی‌داره؛ پس بررسی نهایی رو جدی بگیرید.

اول، نوع فایل رو تشخیص بدید

PDF متنی چه فرقی با PDF اسکن‌شده داره؟

PDF متنی از نوشته‌های واقعی ساخته شده و معمولاً می‌تونید کلمه‌ها و جمله‌های اون رو انتخاب کنید. فایل‌هایی که از نرم‌افزارهای واژه‌پرداز یا صفحه‌آرایی خروجی گرفته می‌شن، بیشتر وقت‌ها از همین نوع هستن.

PDF اسکن‌شده از تصویر صفحه‌ها ساخته شده. شما نوشته رو می‌بینید، ولی کامپیوتر اون رو مثل بخشی از یک عکس تشخیص می‌ده. برای بیرون کشیدن متن چنین فایلی به OCR نیاز دارید.

چطور بفهمید متن فایل قابل انتخابه؟

فایل رو باز کنید و نشانگر ماوس رو روی یکی از جمله‌ها بکشید. اگه کلمه‌ها جداگانه انتخاب شدن، فایل لایه متنی داره و می‌تونید روش کپی مستقیم رو امتحان کنید. اگه کل صفحه یا یک بخش بزرگ مثل تصویر انتخاب شد، فایل احتمالاً اسکن‌شده‌ست.

برای اطمینان، می‌تونید کلیدهای Ctrl و F رو هم بزنید و یک کلمه مشخص رو جست‌وجو کنید. پیدا نشدن کلمه به‌تنهایی دلیل قطعی نیست، ولی همراه با انتخاب نشدن نوشته‌ها نشون می‌ده که احتمالاً باید سراغ OCR برید.

ساده‌ترین روش کپی کردن متن از PDF

کپی مستقیم متن در کامپیوتر

1. فایل PDF رو با مرورگر یا برنامه PDFخوان باز کنید.
2. با ماوس بخش موردنظرتون رو انتخاب کنید.
3. در ویندوز کلیدهای Ctrl و C و در macOS کلیدهای Command و C رو بزنید.
4. متن رو اول داخل یک ویرایشگر ساده یا سند تازه جای‌گذاری و بررسی کنید.

اگه فقط چند پاراگراف لازم دارید، همین روش سریع‌تره. برای انتخاب همه متن هم می‌تونید از Ctrl و A استفاده کنید، ولی توی فایل‌های چندصفحه‌ای بهتره متن رو بخش‌به‌بخش کپی کنید تا کنترل بیشتری روی ترتیب اون داشته باشید.

کپی متن PDF در گوشی

فایل رو در مرورگر گوشی یا برنامه PDFخوان پیش‌فرض باز کنید. انگشتتون رو چند لحظه روی یکی از کلمه‌ها نگه دارید، دستگیره‌های انتخاب رو جابه‌جا کنید و گزینه «Copy» یا «کپی» رو بزنید. بعد متن رو داخل برنامه یادداشت یا ویرایشگر سایتتون جای‌گذاری کنید.

اگه با نگه داشتن انگشت هیچ کلمه‌ای انتخاب نشد، اول فایل رو با مرورگر یا یک PDFخوان دیگه باز کنید. اگه باز هم نتیجه نگرفتید، احتمالاً فایل اسکن‌شده‌ست و باید از روش گوگل درایو کمک بگیرید.

چرا گاهی متن کپی‌شده به‌هم می‌ریزه؟

ساختار داخلی PDF همیشه شبیه چیزی نیست که روی صفحه می‌بینید. ممکنه هر خط یا حتی هر کلمه جای جداگانه‌ای ذخیره شده باشه. به همین دلیل، بعد از کپی ممکنه فاصله‌های اضافه، شکست خط نامناسب، ترتیب اشتباه جمله‌ها یا حروف ناخوانا ببینید.

این مشکل توی متن‌های فارسی، صفحه‌های چندستونه، جدول‌ها و فایل‌هایی با فونت‌های خاص بیشتر دیده می‌شه. در چنین شرایطی متن رو تکه‌تکه بردارید یا روش OCR رو امتحان کنید.

استخراج متن از PDF اسکن‌شده با گوگل درایو

OCR چیه و چه کاری انجام می‌ده؟

OCR کوتاه‌شده عبارت «تشخیص نوری نویسه‌ها» هست. این فناوری تصویر صفحه رو بررسی می‌کنه و شکل حروف رو به متن قابل انتخاب تبدیل می‌کنه. نتیجه به کیفیت اسکن، اندازه نوشته، زبان متن، جهت صفحه و سادگی چیدمان بستگی داره.

گوگل درایو می‌تونه فایل PDF رو با گوگل داکس باز کنه و برای استخراج نوشته‌های داخل اون تلاش کنه. این روش فایل اصلی رو مستقیم ویرایش نمی‌کنه؛ یک سند تازه می‌سازه که تصویر صفحه و متن تشخیص‌داده‌شده رو داخل خودش داره.

مرحله اول: فایل PDF رو در گوگل درایو آپلود کنید

وارد حساب گوگلتون بشید و آدرس گوگل درایو رو باز کنید. از بالای صفحه روی دکمه «New» یا «جدید» بزنید و بعد «File upload» یا «بارگذاری فایل» رو انتخاب کنید.

فایل PDF موردنظرتون رو انتخاب کنید و منتظر بمونید تا بارگذاری تموم بشه. می‌تونید فایل رو با ماوس هم داخل پنجره گوگل درایو بکشید و رها کنید.

مرحله دوم: فایل رو با گوگل داکس باز کنید

بعد از بارگذاری، روی فایل کلیک راست کنید. گزینه «Open with» یا «باز کردن با» رو بزنید و بعد «Google Docs» یا «سندنگار گوگل» رو انتخاب کنید. تبدیل فایل ممکنه کمی زمان ببره.

برای نتیجه بهتر، راهنمای رسمی گوگل پیشنهاد می‌کنه حجم فایل ۲ مگابایت یا کمتر باشه، نوشته‌ها خیلی ریز نباشن، صفحه‌ها در جهت درست قرار گرفته باشن و تصویر وضوح و کنتراست مناسبی داشته باشه. قالب‌بندی‌هایی مثل جدول، ستون، پاورقی و فهرست معمولاً دقیق منتقل نمی‌شن. جزئیات بیشتر رو می‌تونید در راهنمای تبدیل PDF و تصویر به متن در گوگل درایو ببینید.

مرحله سوم: متن استخراج‌شده رو بررسی و کپی کنید

سند تازه رو از اول تا آخر بررسی کنید. معمولاً تصویر هر صفحه در بالا و متن تشخیص‌داده‌شده زیر اون دیده می‌شه. بخش موردنظرتون رو انتخاب و کپی کنید.

قبل از انتشار، متن استخراج‌شده رو با PDF اصلی مقایسه کنید. اسم‌ها، عددها، نشانه‌های نگارشی و جمله‌هایی که معنی حساسی دارن، بیشتر از بخش‌های دیگه به بررسی نیاز دارن.

نکته‌های مهم برای استخراج دقیق‌تر متن فارسی

• حجم و کیفیت مناسب فایل: اسکن تار، کم‌نور یا خیلی فشرده تشخیص حروف رو سخت می‌کنه. اگه فایل اصلی رو در اختیار دارید، دوباره اون رو با کیفیت خواناتر اسکن کنید.
• درست بودن جهت صفحه‌ها: قبل از استخراج مطمئن بشید هیچ صفحه‌ای وارونه یا کج نیست. چرخش اشتباه می‌تونه نتیجه OCR رو ضعیف کنه.
• بررسی حروف فارسی، اعداد و نیم‌فاصله‌ها: حروف مشابه مثل «ی» و «ک»، عددهای فارسی و انگلیسی و فاصله بین کلمه‌ها رو با دقت ببینید. نیم‌فاصله‌ها هم ممکنه حذف یا به فاصله کامل تبدیل بشن.
• اصلاح ترتیب متن در فایل‌های چندستونه: OCR ممکنه خط‌های ستون چپ و راست رو با ترتیب اشتباه کنار هم بذاره. هر ستون رو با نسخه اصلی مقایسه کنید و پاراگراف‌ها رو سر جای درست قرار بدید.
• بازسازی جدول‌ها و فهرست‌ها بعد از استخراج: متن داخل جدول معمولاً به چند خط ساده تبدیل می‌شه. بهتره جدول و فهرست رو با بلوک مناسب وردپرس دوباره بسازید.

آماده کردن متن PDF برای انتشار در وردپرس

حذف قالب‌بندی‌های اضافی قبل از جای‌گذاری

متن کپی‌شده ممکنه رنگ، اندازه، فونت و فاصله‌های نامناسب فایل اصلی رو همراه خودش بیاره. برای جلوگیری از به‌هم‌ریختگی نوشته، می‌تونید اون رو اول داخل یک ویرایشگر متن ساده جای‌گذاری کنید و بعد نسخه بدون قالب‌بندی رو به وردپرس ببرید. یادتون نره این کار ممکنه تیترها، فهرست‌ها و لینک‌های متن رو هم پاک کنه؛ پس باید ساختار لازم رو بعداً در وردپرس دوباره بسازید.

راه دیگه اینه که داخل ویرایشگر وردپرس از جای‌گذاری بدون قالب‌بندی استفاده کنید. در خیلی از مرورگرها میانبر Ctrl، Shift و V در ویندوز و Command، Shift و V در macOS همین کار رو انجام می‌ده.

تنظیم تیترها، پاراگراف‌ها و فهرست‌ها در ویرایشگر وردپرس

متن رو یک‌جا داخل بلوک پاراگراف رها نکنید. هر تیتر رو با بلوک «Heading»، هر بخش معمولی رو با بلوک «Paragraph» و موارد مرحله‌ای رو با بلوک «List» بسازید. این کار هم خواندن مقاله رو راحت‌تر می‌کنه و هم ساختار صفحه رو مرتب نگه می‌داره.

اگه قراره خود فایل رو هم در سایت بذارید، آموزش نمایش فایل PDF در وردپرس روش‌های قرار دادن اون داخل صفحه رو توضیح می‌ده. برای تصمیم‌گیری درباره انتشار فایل هم بد نیست تأثیر PDF در سئو رو بشناسید.

بررسی نهایی متن قبل از انتشار

• متن نهایی رو یک بار با فایل اصلی مقایسه کنید.
• اسم افراد، نام برندها، تاریخ‌ها، قیمت‌ها و عددها رو جداگانه بررسی کنید.
• فاصله‌های اضافه و شکست خط وسط جمله‌ها رو پاک کنید.
• تیترها، فهرست‌ها، لینک‌ها و جدول‌ها رو با بلوک درست بسازید.
• قبل از انتشار، پیش‌نمایش نوشته رو در کامپیوتر و گوشی ببینید.

اگه متن PDF کپی نشد، چه کار کنید؟

فایل رمزگذاری شده یا محدودیت کپی داره

بعضی فایل‌ها با رمز باز می‌شن یا سازنده اون‌ها اجازه کپی متن رو محدود کرده. اگه فایل برای خودتونه، نسخه اصلی یا رمز درست رو پیدا کنید و تنظیمات امنیتی رو با ابزار مجاز تغییر بدید. اگه فایل برای شخص دیگه‌ایه، از صاحب اثر نسخه قابل استفاده یا اجازه لازم رو بگیرید.

کیفیت اسکن برای OCR مناسب نیست

تار بودن نوشته، سایه روی صفحه، کج بودن کاغذ و پس‌زمینه شلوغ نتیجه OCR رو ضعیف می‌کنه. صفحه‌های مشکل‌دار رو صاف، روشن و با وضوح بیشتر اسکن کنید. اگه فقط چند صفحه ناخواناست، همون صفحه‌ها رو جداگانه دوباره آماده کنید.

فونت یا ساختار فایل مشکل داره

گاهی متن قابل انتخابه، ولی بعد از کپی به شکل مربع، علامت نامفهوم یا حروف جدا دیده می‌شه. این مشکل ممکنه از فونت جاسازی‌شده یا شیوه ساخت فایل بیاد. فایل رو با یک PDFخوان دیگه باز کنید، متن رو بخش‌به‌بخش بردارید یا برای ساخت یک نسخه متنی تازه از OCR کمک بگیرید.

رعایت حق نشر موقع استفاده از متن PDF

چرا امکان کپی کردن به معنی اجازه بازنشر نیست؟

اینکه از نظر فنی می‌تونید متن یک PDF رو کپی کنید، به این معنی نیست که اجازه دارید کل اون رو در سایتتون منتشر کنید. متن کتاب، مقاله، گزارش، جزوه یا کاتالوگ ممکنه تحت حق نشر باشه.

بهتره به‌جای کپی کامل، مطلب رو با بیان خودتون بنویسید و فقط در حد لازم به منبع ارجاع بدید. نقل بخش‌های طولانی یا انتشار کل فایل بدون اجازه می‌تونه برای صاحب اثر و سایتتون دردسر درست کنه. قوانین حق نشر و میزان استفاده مجاز به کشور، نوع اثر و مجوز اون بستگی داره؛ پس این توضیح رو توصیه حقوقی قطعی در نظر نگیرید.

چه زمانی باید منبع یا مجوز انتشار رو بررسی کنید؟

قبل از استفاده از هر متنی، نام نویسنده یا ناشر، شرایط استفاده و مجوز درج‌شده داخل فایل یا صفحه دانلود رو ببینید. اگه شرایط روشن نیست یا می‌خواید بخش بزرگی از اثر رو منتشر کنید، از صاحب اثر اجازه بگیرید. فایل‌های دارای قرارداد، مدارک هویتی، اطلاعات مشتری‌ها، داده‌های مالی یا اطلاعات محرمانه رو بدون اجازه در سرویس آنلاین بارگذاری نکنید. برای اسناد کاری یا دانشگاهی هم اول مطمئن بشید اجازه بارگذاری فایل در گوگل درایو یا هر سرویس آنلاین دیگه‌ای رو دارید.

سؤال‌های پرتکرار

جمع‌بندی

برای کپی کردن متن از PDF اول امتحان کنید که نوشته‌های فایل انتخاب می‌شن یا نه. اگه فایل متنی باشه، می‌تونید نوشته رو مستقیم در کامپیوتر یا گوشی کپی کنید. اگه صفحه‌ها اسکن‌شده باشن، گوگل درایو و گوگل داکس می‌تونن با کمک OCR نوشته‌ها رو به متن قابل انتخاب تبدیل کنن.

بعد از استخراج، حتماً متن رو با فایل اصلی مقایسه کنید و حروف فارسی، عددها، ترتیب پاراگراف‌ها، جدول‌ها و فاصله‌ها رو بررسی کنید. برای انتشار در وردپرس هم قالب‌بندی اضافی رو پاک کنید و تیترها، فهرست‌ها و پاراگراف‌ها رو با بلوک درست بسازید. در آخر، یادتون نره که امکان کپی کردن یک فایل به معنی اجازه بازنشر اون نیست و بهتره قبل از انتشار، منبع و مجوز استفاده رو بررسی کنید.

تیم تولید محتوا

ما در تیم تولید محتوای میهن وردپرس در تلاش هستیم تا بهترین مقالات آموزشی در زمینه وردپرس و کسب‌و‌کارهای اینترنتی را تهیه کنیم. صحت محتوای این صفحه توسط رضا راد بررسی خواهد شد.