تخطَّ إلى المحتوى
مقال

كيف تتعرّف على النص في ملف PDF ممسوح ضوئيًا بتقنية OCR

يضيف التعرّف طبقة نصية غير مرئية فوق صورة الصفحة دون المساس بها. ما وضع الجودة الافتراضي، وماذا يفعل الوضع التلقائي باللغة، ولماذا يُعطَّل تصحيح الميل.

باختصار: لا يغيّر OCR مظهر الصفحة: تُضاف طبقة نصية غير مرئية فوق الصورة فيعمل البحث والنسخ. وتُتخطّى الصفحات التي تحتوي نصًا أصلًا. وضع الجودة في الحقيقة هو دقة العرض: السريع 100 DPI والدقيق 300.

المجموعة

دليل إرشادي

دليل إرشادي: PDF guidance for reliable document processing and quality checks.

المقالات: 13

الأداة الرئيسية

التعرّف الضوئي على النص في PDF

افتح الأداة من هذا المقال وأنجز العملية باللغة الحالية.

افتح الأداة

المحتويات

التعرّف على النص في PDF: ما الذي يحدث للمستند الممسوح ضوئيًا

المستند الممسوح ضوئيًا يبدو كمستند ويُقرأ كمستند، لكنه بالنسبة إلى أي برنامج مجرد صورة. لا يمكنك البحث فيه، ولا نسخ رقم عقد منه، وأي نموذج استقبال يتحقق من وجود نص سيرفضه معتبرًا إياه ملفًا فارغًا.

التعرّف على النص يحل هذه المشكلة تحديدًا، وبطريقة تستحق الفهم: فهو لا يعيد كتابة أي شيء.

ما الذي يُضاف فعليًا إلى الملف

تبقى صورة الصفحة كما هي. وتوضع فوقها طبقة ثانية: نص يقع في المكان الذي تقع فيه الحروف المقابلة في الصورة، ويكون غير مرئي.

كل خصائص النتيجة تنبع من هذه الحقيقة. فالملف لا يختلف بصريًا عن الأصل: الورق نفسه، والأختام نفسها، والميل نفسه إن كان موجودًا. وفي المقابل يعثر البحث على الكلمات، والنقر المزدوج يحدد سطرًا، والنسخ يعطيك نصًا حقيقيًا.

وهذا ما يجعل التعرّف آمنًا للمستندات التي يهم شكلها. فالعقد الممسوح ضوئيًا وعليه توقيع يبقى بعد OCR هو نفسه المسح نفسه بالتوقيع نفسه، وكل ما تغيّر أنه صار قابلًا للبحث.

الصفحات التي تحتوي نصًا تُتخطّى

قبل المعالجة تُفحص كل صفحة بحثًا عن طبقة نصية، والصفحات التي تملكها لا تخضع للتعرّف أصلًا.

يترتب على ذلك أمران عمليان.

المستندات المختلطة تُعالَج بصورة صحيحة دون أي جهد منك. إذا كُتب جزء من الملف في محرر نصوص ولُصق جزء آخر على هيئة مسح ضوئي، فلا يُعالَج إلا الجزء الثاني. يبقى النص المطبوع أصليًا ولا يُستبدل بنسخة متعرَّف عليها، وهذا مهم: فالنص الأصلي دقيق، أما النص المتعرَّف عليه ففيه أخطاء.

وتشغيل OCR على ملف PDF نصي عادي لا يكاد يفعل شيئًا ولا يتلف شيئًا. وهذا مريح حين لا تعرف إن كان المستند أمامك ممسوحًا ضوئيًا: مرّره على الأداة فحسب.

والمنطق نفسه يحدد مدة المهمة. فهي لا تعتمد على عدد صفحات المستند بل على عدد الصفحات الخالية من النص. تقرير من مئتي صفحة فيه خمس صفحات ممسوحة ملصقة يُعالَج في الوقت الذي تستغرقه خمس صفحات.

أوضاع الجودة الثلاثة هي ثلاث درجات دقة

يتحكم اختيار الجودة في شيء واحد: الدقة التي تُعرض بها الصفحة قبل التعرّف.

الوضعالدقةمتى تختاره
سريع100 DPIخط كبير واضح، فحص تقريبي
متوازن150 DPIمستندات عادية، عقود، شهادات
دقيق300 DPIخط صغير، حواشٍ سفلية، نسخ رديئة

الوضع الافتراضي هو المتوازن، وهذا يستحق التذكّر. 150 نقطة في البوصة كافية للعناوين والنص الأساسي، لكن الحواشي السفلية الصغيرة والأرقام داخل الجداول والأختام تخرج أسوأ مما هي عليه في الوضع الدقيق.

القاعدة بسيطة: إذا كان في المستند ما تضطر أنت نفسك إلى تضييق عينيك لقراءته، فاختر الوضع الدقيق. هو أبطأ، لكنه يوفر عليك تكرار العمل.

اللغة: التلقائي يعني لغتين معًا

تتوفر الإنجليزية والروسية، إضافة إلى الوضع التلقائي.

الوضع التلقائي لا يخمّن اللغة. إنه يتعرّف على المستند باللغتين معًا، وهذا يناسب النصوص التي تتخللها في لغة واحدة أسماء ورموز ومصطلحات من الأخرى. والثمن هو السرعة وخسارة طفيفة في الدقة على النص الموحد اللغة.

إذا كان المستند كله بلغة واحدة، فاختيار هذه اللغة يعطي نتيجة أفضل قليلًا وأسرع.

عندما تكون اللغة المختارة غير متاحة، لا يفشل التعرّف: بل يعمل باللغة المثبّتة ويُرفق تحذيرًا منفصلًا يذكر اللغة التي طلبتها واللغة التي طُبّقت. والأجدى قراءة هذا التحذير لا تجاهله، فاستبدال اللغة بصمت يفسّر النتيجة الغريبة أفضل من أي تخمين.

ملاحظة عن المستندات بلغات أخرى. الكتابة اللاتينية تتعرّف عليها حزمة الإنجليزية، لكن علامات الحروف (accents) تضيع أو تتشوه: النصوص الفرنسية والألمانية تظهر مقروءة مع أخطاء في الحروف المعلَّمة. أما أنظمة الكتابة غير اللاتينية والسيريلية فغير مدعومة إطلاقًا.

كيف تشغّل التعرّف

1. افتح التعرّف الضوئي على النص في PDF وارفع المستند. 2. اختر اللغة. التلقائي للنص المختلط، ولغة محددة للنص الموحد. 3. فعّل الوضع الدقيق إن كان المستند يحتوي خطًا صغيرًا. 4. شغّل المهمة ونزّل النتيجة. 5. افتح الملف وابحث عن كلمة تعرف أنها موجودة في المسح. هذا أسرع فحص ممكن.

تصحيح الميل وكلفته

هناك خيار مستقل يعدّل ميل الصفحات قبل التعرّف. وهو معطَّل افتراضيًا، ولهذا سبب.

يُطبَّق التعديل على نسخة مؤقتة من الصفحة، وهي التي يقرؤها التعرّف، ثم تُوضع الطبقة النصية فوق الصفحة الأصلية غير المعدَّلة. وعلى مسح شديد الميل يؤدي ذلك إلى إزاحة: يصبح النص غير المرئي مائلًا بالنسبة إلى الحروف الظاهرة.

البحث لا يتأثر، فالكلمة تُوجد كما هي. أما التحديد بالفأرة فيتأثر: يقع إطار التحديد بعيدًا عن الحروف، ويصبح نسخ مقطع أمرًا مزعجًا.

هذه المفاضلة مقصودة، لأن الصفحات الأصلية تبقى دون مساس. وإذا كان الميل شديدًا فالأفضل تعديل المستند قبل التعرّف، باستخدام تدوير PDF عبر الإنترنت للدوران بزوايا قائمة، أو بإعادة بناء المسح عبر مسح ضوئي إلى PDF عبر الإنترنت الذي يملك تصحيحًا حقيقيًا للميل.

ما لا يفعله التعرّف

هو لا يحسّن المصدر. الصورة الضبابية، ولمعان المصباح عبر سطر، وظل اليد فوق نصف الصفحة: كل ذلك يبقى، والتعرّف في مثل هذا الموضع ينتج رموزًا بلا معنى أو يتجاوزه.

هو لا يقرأ الخط اليدوي. فالأداة مصممة للنص المطبوع.

هو لا ينتج نصًا ذا قيمة قانونية. فالطبقة المتعرَّف عليها فيها أخطاء ولا تصلح نسخةً من المستند. إنها للبحث وللأنظمة التي تشترط طبقة نصية، لا للاقتباس.

وهو لا يستعيد الدقة. فإن كان المسح الأصلي بدقة 75 نقطة في البوصة، فإن الوضع الدقيق يعرضه بدقة 300، لكن لا تظهر حروف إضافية: كل ما يحدث أن الصورة الضبابية تكبر. جودة التعرّف يحددها المصدر لا الإعداد.

موضع التعرّف في سلسلة العمليات

الترتيب أهم مما يبدو، وهناك قاعدة واحدة: التعرّف يسبق الضغط.

يعمل التعرّف انطلاقًا من صورة الصفحة. أما الضغط عبر ضغط PDF عبر الإنترنت فيُضعف هذه الصورة: يخفض الدقة ويضيف تشوهات حول الحروف. والترتيب المعاكس يعطي أخطاء أكثر بوضوح في النص، ولا يبقى بعدها ما يُصلحها به.

والتجميع والتدوير ينتميان إلى ما قبل التعرّف أيضًا: فهما يغيّران الصفحات الموجودة واتجاهها، والطبقة النصية مرتبطة بصفحة محددة.

أما إن كنت تحتاج النص نفسه في ملف منفصل لا ملفًا بطبقة نصية، فهناك PDF إلى نص عبر الإنترنت: يستخرج المحتوى إلى ملف نصي عادي مقسّم بحسب الصفحات.

المؤلف

أعدّه فريق الخدمة، ويشرف على الخدمة سيرغي غاغين.

عن المشروع

الأسئلة الشائعة

لا. تبقى صورة الصفحة كما كانت وتُضاف فوقها طبقة نصية غير مرئية. بصريًا لا يختلف الملف عن الأصل، بينما يبدأ البحث والنسخ بالعمل.
لا شيء تقريبًا: الصفحات التي تحتوي نصًا أصلًا تُتخطّى دون معالجة. وهذا مناسب للمستندات المختلطة التي بعض صفحاتها مطبوع وبعضها ممسوح ضوئيًا.
الإنجليزية والروسية. يتعرّف الوضع التلقائي على الاثنتين معًا، وهو مناسب للمستندات ذات النص المختلط. وإذا كانت اللغة المختارة غير متاحة، يعمل التعرّف باللغة المتاحة ويُبلغك بذلك في تحذير منفصل.
لا. سير العمل الأساسي متاح دون إنشاء حساب.
تُستخدم الملفات للعملية المحددة فقط وتُحذف تلقائيًا بعد انتهاء المعالجة. ولا نستخدم المستندات المرفوعة لتدريب نماذج الذكاء الاصطناعي.

المزيد من هذه المجموعة

أدوات ذات صلة

← جميع أدوات التحسين

ماذا بعد؟

إذا كنت تحتاج إلى خطوة عملية تالية أو إلى إرشادات حول الخدمة بعد القراءة، فافتح هذه الصفحات.

جميع الأدوات

تصفّح أدوات PDF لدمج الملفات وضغطها وتقسيمها وتحويلها وتدويرها وحمايتها وفتح قفلها، واختر الأداة المناسبة لمهمتك عبر الإنترنت.

الأسئلة الشائعة

إجابات عن حسابات iHatePDF ومعالجة الملفات وحدود الرفع والاستخدام على الهاتف والخصوصية، وما تفعله عندما تُظهر أداة PDF خطأ.

اتصل بنا

تواصل مع iHatePDF بشأن أخطاء المعالجة واختيار الأداة والأمان والاستفسارات التجارية واقتراحات الميزات الجديدة.