استخراج النص من PDF المصوّر: شرح OCR للعربية

كيف تعرف إن كان الملف يحتوي على نص؟

افتح الملف وحاول تحديد جملة ونسخها. جرّب أيضًا البحث عن كلمة واضحة في الصفحة. إذا تعذّر الأمران، فقد تحتاج الصفحة إلى OCR.

هذه مؤشرات وليست اختبارًا قاطعًا: بعض الملفات تقيّد النسخ، وبعضها يحتوي على طبقة نص غير سليمة. اختبر أكثر من صفحة، فقد يجمع المستند بين صفحات نصية وأخرى مصوّرة.

ماذا تفعل تقنية OCR؟

تتعرف تقنية التعرّف الضوئي على أشكال الحروف في الصورة وتحولها إلى نص. يمكن حفظ النص في ملف مستقل، أو إضافته خلف صورة الصفحة لإنشاء PDF قابل للبحث.

تستخدم الأداة Tesseract مع دعم العربية والإنجليزية بحسب اللغات المتاحة في بيئة التشغيل. وجود اللغة لا يعني أن كل كلمة ستُقرأ بدقة، وخاصة في الصور غير الواضحة.

تحسين نتائج النص العربي

ابدأ بصورة مستقيمة وواضحة بإضاءة متجانسة. الدقة المناسبة للنص المطبوع، مثل 300 نقطة في البوصة عند المسح، تساعد على تمييز الحروف الصغيرة والنقاط.

• قصّ الحواف الزائدة وصحّح ميل الصفحة قبل استخراج النص.
• تجنب الظلال والانعكاسات التي تغطي الكلمات، ولا تبالغ في فلاتر التنظيف حتى لا تختفي النقاط.
• راجع الحروف المتشابهة، والتاء المربوطة والهاء، والهمزات والتشكيل.
• دقّق الأرقام العربية والإنجليزية والتواريخ وأرقام الحسابات بمقارنتها بالصورة.
• توقّع أخطاء أكثر في الخط اليدوي والخطوط المزخرفة والصفحات متعددة الأعمدة.

ما الذي يحتاج إلى مراجعة بعد الاستخراج؟

قد لا يحتفظ النص بحدود الجداول أو ترتيب الأعمدة أو الخطوط الأصلية. استخراج الكلمات بنجاح لا يعني إعادة إنشاء المستند بتنسيقه الكامل.

لإنشاء PDF قابل للبحث من الصور، استخدم خيار PDF القابل للبحث عند تحويل الصور إلى PDF. ولملف PDF مصوّر، جهّز نسخة تحتوي على طبقة نص ثم حوّلها إلى وورد، وراجع النتيجة قبل اعتمادها.

كيف تحسّن دقة التعرّف على النص العربي؟

دقة التعرّف الضوئي تعتمد على جودة الصورة أكثر من أي عامل آخر، والعربية أكثر حساسية من اللاتينية لأن الحروف متصلة وتتغير أشكالها بحسب موضعها في الكلمة.

• امسح الصفحة بدقة 300 نقطة في البوصة على الأقل؛ فعند 150 تتداخل النقاط وتلتبس الحروف المتشابهة.
• اجعل النص داكنًا على خلفية فاتحة، وتجنّب الظلال وانعكاس الإضاءة وآثار التظليل الملوّن.
• صوّر الصفحة مستوية وغير مائلة. الصفحة المنحنية أو المصوّرة بزاوية تشوّه الحروف بشكل متفاوت عبر السطر.
• انتبه إلى النقاط والتشكيل؛ فغياب النقاط أو تداخلها يغيّر الحرف تمامًا.
• الخطوط الواضحة أدق من الخطوط الزخرفية أو شديدة التضييق، والطباعة أدق كثيرًا من الخط اليدوي.

ما الذي لا يحفظه التعرّف الضوئي؟

ناتج التعرّف سلسلة أسطر نصية. بنية الأعمدة وحدود الجداول والعناوين تُستنتج من التخطيط في أحسن الأحوال، وقد تضيع تمامًا. لذا يعود الجدول المالي الممسوح نصًا مرتبًا تقريبًا، لا جدولًا قابلًا للحساب.

كما لا تُستعاد الخطوط الأصلية ولا التنسيق، لأن الناتج حروف لا تصميم.

وتقع أخطاء متوقعة في التشابهات: الحروف المتقاربة في الرسم، والأرقام التي تشبه بعض الحروف. في صفحة نثرية يسهل تمييز الخطأ وتصحيحه، أما في صفحة أرقام حسابات أو معرّفات فلا؛ ولهذا راجع المعرّفات مقابل الصورة قبل اعتمادها.

ترتيب العمل الموصى به

ابدأ باختبار وجود طبقة نص: حاول تحديد جملة في أي عارض. إذا نجح التحديد، حوّل مباشرة وقد انتهيت.

وإذا لم ينجح، فشغّل خطوة التعرّف الضوئي أولًا لإضافة طبقة نص، ثم حوّل الناتج إلى وورد أو نص أو جدول كالمعتاد.

وإذا كان المسح رديئًا، فالأجدى إعادة المسح بدقة أعلى بدل تصحيح صفحة كاملة من الأخطاء. هذه هي الخطوة الوحيدة التي تحسّن المُدخل فعلًا بدل الالتفاف حوله.