كيف تستخرج النص من ملف PDF ممسوح ضوئيًا (بالعربية والإنجليزية)

كيف تعرف أن ملفك يحتاج OCR

افتحه وحاول تحديد جملة بالمؤشر. إن أُضيئت الكلمات فرادى أثناء السحب فهناك طبقة نص أصلًا، ويمكنك ببساطة نسخ ما تحتاجه.

أما إن لم يُضَأ شيء، أو أُضيئت الصفحة كاملة ككتلة واحدة، فأنت أمام صورة، وما تحتاجه هو التعرّف الضوئي. وثمة فحص سريع آخر: اضغط Ctrl+F (أو Cmd+F على الماك) وابحث عن كلمة تراها بوضوح في الصفحة. فإن لم يجد القارئ شيئًا، فلا نص هناك ليُوجَد.

طريقة التشغيل

التشغيل الأول يحمّل محرك التعرّف ونموذج اللغة، بضعة ميغابايت في المجموع. بعدها يُخزَّن، فيبدأ المستند التالي فورًا — ويظل يعمل حتى بدون أي اتصال.

1. 1افتح أداة OCR واختر ملفك الممسوح.
2. 2حدد اللغة: العربية أو الإنجليزية أو كليهما معًا للمستندات المختلطة.
3. 3اضغط على OCR وانتظر — بضع ثوانٍ لكل صفحة تقريبًا، بحسب جهازك.
4. 4يظهر النص في الصفحة جاهزًا للتحديد والنسخ، مع زر تحميل إن أردته ملفًا.

التعرّف عمل حسابي حقيقي. فمستند من 40 صفحة سيستغرق دقيقتين تقريبًا وسيجعل جهازك دافئًا. تلك هي كلفة ألا ترسل صفحاتك إلى خادم شخص آخر.

كيف تحصل على نتائج أفضل

جودة التعرّف تعتمد كليًا تقريبًا على جودة المسح. صفحة مستوية بإضاءة جيدة بدقة 300 نقطة في البوصة ستعود شبه مثالية. أما صورة ملتقطة بزاوية مائلة وإضاءة ضعيفة فلا، مع أي محرك تعرّف في السوق — فهذه خاصية في المُدخَل لا في البرنامج.

إن كنت تصوّر الصفحة بنفسك

هذه العادات الأربع أهم من أي إعداد في أي أداة تعرّف. وإن لم تستطع إصلاح إلا شيء واحد فأصلح الزاوية: فالنص المائل هو السبب الأول الأكثر شيوعًا لرداءة التعرّف.

1. 1ضع الورقة على سطح مستوٍ جيد التباين — ورق أبيض على مكتب داكن.
2. 2استخدم ضوء النهار غير المباشر وتأكد أن ظلك لا يقع على النص.
3. 3أمسك الهاتف موازيًا للورقة وصوّر من الأعلى مباشرة لا بزاوية.
4. 4املأ الإطار بالمستند، والتقط الصورة ثم اقتصّها بدل التكبير قبل التصوير.

ماذا تتوقع مع العربية تحديدًا

العربية أصعب على التعرّف الضوئي من الإنجليزية، لأسباب متأصلة في الخط نفسه. فالحروف تتصل بجاراتها، فلا توجد مسافات بيضاء نظيفة بين الحروف يُقسَّم عندها. وكل حرف يتغير شكله بحسب موقعه: في أول الكلمة أو وسطها أو آخرها أو منفردًا. والنقاط وحدها هي ما يفرّق بين صور متطابقة — فـب وت وث ون لا تختلف إلا بالنقاط، فقد تحوّل ذرة غبار أو مسح باهت إحداها إلى أخرى.

النص العربي المطبوع الواضح بخط نسخ قياسي يُقرأ جيدًا. وتوقّع تصحيح كلمة هنا وأخرى هناك، خاصة حين تكون نقطة باهتة في المسح أو حين تكون الطباعة الأصلية خفيفة.

أما الخطوط الزخرفية والخطية فأصعب بكثير، وخطوط النستعليق — الشائعة في المواد الفارسية والأردية — غير مدعومة عمليًا في المحركات العامة. والتشكيل كثيرًا ما يُسقَط أو يُقرأ خطأً؛ فإن كان مصدرك نصًا مشكولًا فتوقّع أن تعيده بنفسك.

أما الخط اليدوي فمسألة أخرى تمامًا، ولا يتعامل معه أي محرك تعرّف عام بموثوقية في أي من اللغتين.

المستندات المختلطة بالعربية والإنجليزية

المستندات ثنائية اللغة أمر معتاد في الخليج وعموم العالم العربي — عقد بمصطلحات إنجليزية، أو فاتورة برموز منتجات لاتينية، أو سيرة ذاتية تتنقل بين الخطين داخل السطر الواحد.

اختر اللغتين معًا في هذه الحالات. التعرّف يكون أبطأ قليلًا لأن نموذجين يُحمَّلان، والأسطر المختلطة هي حيث تتركز الأخطاء، خاصة حول الأرقام والاختصارات اللاتينية داخل الجمل العربية.

وثمة خصوصية تستحق المعرفة: ترتيب القراءة في السطر المختلط ملتبس فعلًا بالنسبة للبرمجيات. فقد تخرج الأرقام والكلمات اللاتينية داخل فقرة عربية في موضع خاطئ حتى لو تعرّف المحرك على كل حرف بشكل صحيح. راجع أرقام المراجع والتواريخ بعينك.

تصحيح المخرجات بكفاءة

اقرأ النتيجة مرة واحدة بمقارنتها بالأصل بدل التدقيق على العمياء. فأخطاء التعرّف منهجية لا عشوائية، وبمجرد أن تلحظ التباسًا معينًا ستجده يتكرر في المستند كله — والبحث والاستبدال يصححها كلها دفعة واحدة.

أشهر الالتباسات في الإنجليزية هي 0 مع O، و1 مع l وI، وrn مع m، و5 مع S. أما في العربية فانتبه للنقاط الناقصة أو الزائدة، ولـه مقابل ة في أواخر الكلمات.

والأرقام تستحق عناية خاصة. فرقم مقروء خطأً في إجمالي فاتورة أو في رقم مرجعي أشد ضررًا بكثير من كلمة مقروءة خطأً، ولن يبدو خاطئًا حين تمرّ عليه سريعًا.

ما لن يفعله التعرّف الضوئي

هو يستعيد النص لا التخطيط. فالصفحات متعددة الأعمدة تعود عادةً كتيار واحد، والجداول تفقد بنيتها — يبقى محتوى الخلايا وتضيع الشبكة.

والأختام والتواقيع والملاحظات المكتوبة بخط اليد والشعارات كلها صور، فإما أن تُتجاهل أو تنتج حروفًا بلا معنى حيث يحاول المحرك قراءتها.

كما أنه لا يتحقق من شيء. فمخرجات التعرّف تخمين مرجّح لا تحمل في النص نفسه أي درجة ثقة، ولهذا يستحق كل ما هو قانوني أو مالي قراءة مراجعة قبل الاعتماد عليه.