أدلة OpenToola
OCR لملف PDF: اجعل المسح قابلاً للبحث دون الثقة بكل حرف
حوّل PDF ممسوحاً إلى نص قابل للبحث أو PDF قابل للبحث، واختر اللغة الصحيحة، وافحص الأخطاء التي يرتكبها OCR دائماً.
فاتورة ممسوحة هي صورة فاتورة. تستطيع قراءتها، لكنك لا تستطيع البحث عن رقم فاتورة أو نسخ اسم عميل أو تحديد فقرة. يعالج OCR، أو التعرف الضوئي على الحروف، هذه المشكلة بإضافة طبقة نصية عبر تخمين الحروف الموجودة في الصورة.
كلمة «تخمين» مهمة. OCR ليس ماسحاً يعرف ما تقوله الصفحة؛ هو نموذج يقارن الأشكال بالحروف. إنه جيد جداً في النص النظيف والمستقيم وعالي التباين. ويجد صعوبة مع الكتابة اليدوية والظلال والأختام والخطوط غير المعتادة والجداول. سير العمل المفيد ليس «شغّل OCR وثق به»، بل «شغّل OCR ثم افحص الأجزاء المهمة».
ما يمكن أن ينتجه OCR
يوفر OpenToola مخرجين. مخرج النص يعطيك ملف .txt بالنص المتعرف عليه، صفحة بصفحة. ومخرج PDF القابل للبحث يحافظ على مظهر الصفحات الممسوحة ويضيف طبقة نصية غير مرئية فوقها، فتستطيع البحث وتحديد النص في قارئ PDF.
PDF القابل للبحث هو ما يريده معظم الناس للأرشيف. تبدو الصفحات كما هي، لكن الملف يصبح قابلاً للبحث. الطبقة النصية غير مرئية؛ تجلس خلف الصورة. إذا أخطأ OCR في كلمة، فالصفحة المرئية ما زالت صحيحة، لكن نتيجة البحث قد تكون خاطئة.
مخرج النص أفضل عندما تحتاج إلى نسخ المحتوى إلى مستند أو قاعدة بيانات أو أداة ترجمة. كما أنه أسهل في التدقيق لأنك تستطيع مقارنة النص بالصورة جنباً إلى جنب.
اختر اللغة الصحيحة
يحتاج محرك OCR إلى معرفة الأبجدية وأنماط الكلمات المتوقعة. اختر العربية للمستندات العربية، والإندونيسية للإندونيسية، والإنجليزية للإنجليزية. اختيار اللغة الخطأ ينتج نتائج غريبة: نص إنجليزي يُقرأ كعربية، أو تشكيل عربي يتحول إلى علامات ترقيم.
إذا كان المستند يخلط لغات، فسيرجّح OCR اللغة المحددة. عقد بعناوين إنجليزية ونص عربي قد يحتاج مرحلتين، أو تصحيحاً يدوياً للأجزاء باللغة الأخرى. افحص النتيجة قبل افتراض اكتمالها.
إعداد اللغة ليس لغة الواجهة. إذا كان متصفحك بالفرنسية والمستند بالإنجليزية، فاختر الإنجليزية.
جهّز المسح قبل OCR
يعمل OCR أفضل عند حوالي 300 نقطة في البوصة. مسح بدقة 150 قد يكون مقروءاً للإنسان لكنه ناعم جداً للمحرك. مسح بدقة 600 ليس أفضل تلقائياً؛ قد يكون أبطأ ويحتوي ضوضاء أكثر.
عدّل ميل الصفحة. ميل بضع درجات يقلل الدقة، خصوصاً في نهايات الأسطر. اقتطع الطاولة والظلال. زد التباين إذا كان النص رمادياً، لكن تجنب تحويل الخطوط الرفيعة إلى كتل سوداء.
أزل الأختام والكتابة اليدوية من المنطقة التي تحتاج التعرف عليها إن أمكن. توقيع فوق سطر نص سيربك النموذج. إذا كان الختم جزءاً من المستند، فقد ينتج OCR نصاً غير مفيد حوله؛ تجاهل ذلك الجزء عند التدقيق.
شغّل OCR على الصفحات الصحيحة
ملف من 200 صفحة قد يستغرق وقتاً طويلاً. إذا احتجت عقداً واحداً أو فاتورة واحدة، فقسّم PDF أولاً بـتقسيم PDF وشغّل OCR على الصفحات المعنية.
إذا كان PDF يحتوي طبقة نصية بالفعل، فOCR غير ضروري وقد يستبدل نصاً جيداً بنص أسوأ. جرّب تحديد جملة في PDF. إذا تم تحديدها بوضوح، فالمستند قابل للبحث بالفعل. استخدم مخرج النص فقط إذا احتجت تصدير النص.
لمستند مختلط، شغّل OCR على الصفحات الممسوحة واترك الصفحات الرقمية. دمج النتائج يدوياً عمل أكثر، لكنه يتجنب إضعاف صفحات كانت ممتازة.
دقّق النتيجة
تتركز أخطاء OCR حول الأرقام والأسماء والتواريخ والرموز المرجعية والحروف المتشابهة. 0 وO و1 وl و5 وS وأشكال الحروف العربية وعلامات الترقيم شائعة. رقم خاطئ في فاتورة قد يكسر دفعة أو نظام أرشفة.
افتح PDF القابل للبحث وابحث عن كلمة تعرف أنها في الصفحة. إذا وجدها البحث، فطبقة النص تعمل. ثم ابحث عن اسم أو رقم. إذا فشل، فOCR أساء قراءته.
لمخرج النص، قارن الصفحة الأولى وصفحة في الوسط والأخيرة بالصور. لا تدقق كل كلمة في مستند من 100 صفحة إلا إذا كان النص مهمًا قانونياً. ركّز على الحقول التي ستُستخدم.
ما لا يفعله OCR
OCR لا يفهم المستند. لا يعرف أن عمود أرقام جدول، أو أن التوقيع توقيع، أو أن العنوان يتبع الفقرة التالية. قد يحافظ مخرج النص على فواصل الأسطر لكن ليس البنية المنطقية.
OCR لا يتحقق من الحقائق. تاريخ مقروء خطأً يبقى تاريخاً في الناتج. إذا كان المستند عقداً أو سجلاً طبياً أو بياناً مالياً، فيجب على إنسان فحص القيم الحرجة.
OCR لا يعمل جيداً مع الكتابة اليدوية. نموذج مكتوب بخط واضح قد ينتج بضع كلمات؛ ملاحظة متصلة قد تنتج هراء. إذا كانت الكتابة اليدوية مهمة، فاستخدم نموذجاً متخصصاً أو انسخها يدوياً.
OCR لا يجعل PDF الممسوح قابلاً للوصول بالمعنى الكامل. يستطيع قارئ الشاشة استخدام الطبقة النصية، لكن ترتيب القراءة قد يكون خاطئاً، خصوصاً في التخطيطات متعددة الأعمدة. إمكانية الوصول تحتاج وسوماً هيكلية، لا طبقة نص فقط.
PDF قابل للبحث أم ملف نصي؟
PDF القابل للبحث أكبر من المسح الأصلي لأنه يحتوي صورة الصفحة والطبقة النصية. الزيادة عادةً معتدلة، لكن مسحاً من 100 صفحة قد يكبر بشكل ملحوظ.
الملف النصي أصغر بكثير وأسهل في البحث بأدوات سطر الأوامر أو قاعدة بيانات. يفقد التخطيط والصور وتصميم الصفحة. إذا احتجت اقتباس فقرة، فالنص مناسب؛ وإذا احتجت إثبات شكل الصفحة، فاحتفظ بـPDF.
احتفظ بالمسح الأصلي. PDF القابل للبحث ملف مشتق؛ إذا كان OCR سيئاً، تستطيع إعادة تشغيله بإعدادات أفضل. لا تحذف الأصل بعد OCR.
على iPhone وAndroid
على iPhone، احفظ PDF في Files، وافتح أداة OCR PDF في Safari، واختر الملف واللغة والمخرج، ثم شغّل. OCR يستهلك المعالج؛ مستند طويل قد يستغرق دقائق ويستهلك البطارية. أبقِ التبويب مفتوحاً والشاشة مضاءة إذا كان المتصفح يعلّق التبويبات الخلفية.
على Android، يستطيع المتصفح القراءة من Downloads أو Drive. هاتف بذاكرة أقل قد يجد صعوبة مع مسح من 100 صفحة؛ قسّم PDF أولاً. افحص النتيجة في قارئ PDF بعد تنزيل المخرج القابل للبحث.
الجداول والأعمدة والنماذج
يقرأ OCR النص بترتيب بصري. صفحة بعمودين قد تُقرأ عبر الأعمدة بدلاً من أسفل كل عمود، فتنتج جملاً تقفز من موضوع إلى آخر. قد يفقد الجدول صفوفه وأعمدته، حتى لو تعرّف على كل رقم بشكل صحيح.
إذا كان الجدول هو الجزء المهم، فلا تعتمد على OCR وحده. استخرج الأرقام إلى جدول بيانات يدوياً أو استخدم أداة متخصصة. للنموذج، قد تنتهي التسميات والقيم في أسطر منفصلة؛ تحقق من أن القيمة بجانب التسمية الصحيحة.
كيف تختبر الدقة
اختر ثلاثة مقاطع: الفقرة الأولى، ومقطعاً في الوسط، ومقطعاً يحتوي أرقاماً أو أسماء. قارن نص OCR بالصورة كلمة بكلمة. احسب الأخطاء.
إذا كان معدل الخطأ منخفضاً والحقول الحرجة صحيحة، فOCR جيد بما يكفي للبحث. وإذا كانت الأسماء والأرقام خاطئة، فحسّن المسح أو جرّب دقة أعلى. إعادة OCR على الصورة نفسها نادراً ما تصلح الأخطاء المنهجية؛ المدخل يحتاج إلى تحسين.
ابحث عن عبارة تمتد عبر فاصل سطر. قد يُدخل OCR فاصلاً في منتصف جملة؛ البحث عن العبارة الكاملة قد يفشل رغم وجود الكلمات. ابحث عن كلمة مميزة واحدة بدلاً من ذلك.
متى لا تستخدم OCR
لا تشغّل OCR على PDF يحتوي نصاً قابلاً للتحديد. قد تستبدل نصاً نظيفاً بطبقة غير كاملة. ولا تشغّل OCR على صفحة شعار أو صورة بلا نص؛ يضيع الوقت وينتج ضوضاء.
لا تشغّل OCR على مستند لا يحق لك معالجته أو مشاركته. الأداة تعمل محلياً، لكن الملف ما زال يحتوي معلومات حساسة. ولا تشغّل OCR على كتابة يدوية وتفترض الدقة؛ افحصها أو انسخها يدوياً.
لا تستخدم OCR بديلاً عن قراءة عقد. PDF القابل للبحث أسهل في التنقل، لكن الصفحة المرئية هي النسخة المرجعية. إذا اختلف نص OCR والصورة، فالصورة هي الحكم.
ماذا يحدث للصور والروابط؟
في PDF القابل للبحث، تبقى الصفحة صورة. لا يستبدل OCR الصورة بنص، بل يضيف طبقة خلفها. لذلك يبقى الملف بحجم مشابه للمسح الأصلي، وقد يكبر قليلاً بسبب الطبقة النصية.
الروابط الموجودة في المسح الأصلي لا تُستعاد. إذا كان المستند يحتوي رابطاً مطبوعاً، فقد يتعرف OCR على النص لكنه لا ينشئ رابطاً قابلاً للنقر. أضف الروابط يدوياً في محرر PDF إذا كانت مهمة.
OCR للفواتير والأرقام
الفواتير من أصعب الحالات. الأرقام والرموز والفواصل العشرية تتشابه، وخطأ رقم واحد يغيّر المبلغ. بعد OCR، افحص المبلغ الإجمالي ورقم الفاتورة والتاريخ ومبلغ الضريبة مقابل الصورة.
إذا كان النص العربي مختلطاً بأرقام إنجليزية، فقد يتعرف المحرك على الأرقام بشكل جيد لكنه يخطئ في اتجاه السطر. اقرأ السطر كاملاً، لا الرقم وحده.
متى تحتاج إلى OCR يدوي؟
إذا كانت الصفحة مكتوبة بخط اليد أو تحتوي ختماً كبيراً يغطي النص، فقد يكون النسخ اليدوي أسرع من تصحيح OCR. اكتب النص المهم في ملف منفصل، واحتفظ بالصورة كمرجع.
إذا كان المستند قصيراً جداً، فقياس الوقت: كتابة 10 أسطر يدوياً قد تكون أسرع من تشغيل OCR وتدقيق النتيجة.
قبل الحذف
احتفظ بالمسح الأصلي بعد إنشاء PDF القابل للبحث. إذا اكتشفت خطأً في OCR لاحقاً، فستحتاج إلى الأصل لإعادة المعالجة. لا تحذف الأصل لمجرد أن الملف الجديد يبدو قابلاً للبحث.
كيف تختار الدقة قبل OCR؟
إذا كان المسح بدقة 150 نقطة، فرفعه إلى 300 قبل OCR قد يحسّن النتيجة. لكن لا تكبّر صورة صغيرة بمجرد تغيير الرقم؛ استخدم إعادة المسح أو أداة تكبير جيدة. التكبير الساذج يضيف بكسلات وهمية ولا يخلق تفاصيل.
إذا كان النص صغيراً جداً في المسح الأصلي، فقد لا ينفع OCR حتى عند 300 نقطة. في هذه الحالة، أعد المسح بدقة أعلى أو استخدم صورة أوضح. OCR ليس سحراً؛ يحتاج إلى بكسلات كافية لكل حرف. واختبر النتيجة قبل الاعتماد عليها، ولا تفترض أن كل كلمة صحيحة؛ افحص الأرقام والأسماء.
الخصوصية
يشغّل OpenToola OCR في المتصفح. يُعرض PDF على canvas ويُعالج محلياً؛ لا يُرفع إلى خادم. تُحمّل بيانات اللغة من ملفات الموقع نفسه.
هذا مهم لوثائق الهوية والسجلات الطبية والعقود. لكنه لا يجعل حاسوباً مشتركاً آمناً. احذف الملف النصي وPDF القابل للبحث بعد إرسالهما إذا كانا يحتويان معلومات حساسة، وتجنب OCR على جهاز عام.
أدوات ذكرت في هذا الدليل
الأسئلة الشائعة
هل يعمل OCR على كل ملف PDF؟
يعمل على الصفحات التي تحتوي صورة نص. PDF الذي يحتوي طبقة نصية بالفعل لا يحتاج OCR، والكتابة اليدوية أو المسوحات منخفضة الجودة قد تنتج نتائج سيئة.
ما اللغات المدعومة؟
يوفر OpenToola حالياً OCR بالعربية والإندونيسية والإنجليزية. اختر لغة المستند، لا لغة متصفحك.
هل يتم رفع ملفاتي؟
لا. يُعرض PDF ويُعالج في متصفحك. لا يُرسل الملف إلى خادم.