ما هو التعرف الضوئي على الحروف (OCR)؟
التعرف الضوئي على الحروف (OCR) يحوّل بكسلات الصفحة الممسوحة أو الصورة إلى نص: يجد الأسطر والكلمات، ويتعرف على المحارف بنموذج مدرَّب لكل نظام كتابة، وينتج نصاً يمكن البحث فيه ونسخه وفهرسته. تعتمد الدقة على الوضوح (300 نقطة في البوصة هو الهدف المعتاد) والتباين والميل ونظام الكتابة — تحتاج العربية والديفاناغاري إلى نماذج لغوية خاصة — وينبغي مراجعة الناتج حيث يهم ذلك.
كيفية استخدام استخراج النص من PDF
- أسقط ملف PDF.
- اختر الصفحات والتخطيط.
- انقر «استخراج النص».
- انسخ .txt أو نزّله.
مزايا استخراج النص من PDF
- طبقة النص كما يراها القارئ صفحة صفحة
- تخطيط سطور أو فقرات
- فواصل صفحات اختيارية
- عدد الأحرف لكل صفحة
- تعليم الصفحات الفارغة (الممسوحة) مع إحالة إلى التعرف الضوئي
- معالجة محلية
مثال على استخراج النص من PDF
الحصول على نص الفصل الثاني
الإدخال:
book.pdf، الصفحات 31-58، فقراتالنتيجة:
book.txt — الفصل فقرات مع فواصل «--- الصفحة 31 ---»الأسئلة الشائعة حول استخراج النص من PDF
لماذا النتيجة فارغة أو مشوّهة؟
فارغة تعني أن الصفحات صور (مسح) — شغّل التعرف الضوئي على نص PDF أو تحويل المستند الممسوح إلى نص. والنص المشوّه يعني عادة أن الملف يضمّن خطوطًا بلا خريطة Unicode سليمة؛ ويستعيد «تحويل المستند الممسوح ضوئيًا إلى نص»، الذي يتعرّف على الصفحات المصيَّرة، نصًا مقروءًا في هذه الحالة أيضًا (أما التعرف الضوئي على نص PDF فيتخطى افتراضيًا الصفحات التي فيها نص).
هل ترتيب القراءة صحيح للصفحات ذات العمودين؟
تُعاد بناء الأسطر من مواضع مقاطع النص من أعلى إلى أسفل ومن اليسار إلى اليمين (ومن اليمين إلى اليسار للمقاطع العربية). تخرج التخطيطات البسيطة مرتبة؛ وقد تتداخل الأعمدة في الصفحات متعددة الأعمدة كما في معظم المستخرِجات.
هل يدعم العربية والهندية؟
نعم، بشرط أن يخزّن الملف نصًا حقيقيًا. تخرج العربية بالترتيب المنطقي جاهزة للصق؛ وتعتمد حروف الديفاناغاري المركبة على ترميز الملف نفسه.
هل يُرفع ملف PDF إلى خادم؟
لا. يفتح متصفحك الملف ويعالجه بـ WebAssembly وJavaScript؛ لا يُرسل شيء إلى متقن سوفت أو غيرها. أغلق التبويب ويختفي الملف. يحتاج تنزيل النتيجة إلى حساب مجاني فقط — بلا اشتراك وبلا دفع.
هل تعمل الأداة على ملف PDF محمي بكلمة مرور؟
نعم إذا كنت تعرف كلمة المرور: تطلبها قائمة الملفات مرة واحدة ثم تعمل كل العمليات على الصفحات المفكوكة. تُحفظ النتيجة بلا كلمة مرور ما لم تحمِها مجددًا.
ملاحظات تقنية
يعطي getTextContent() في pdf.js مقاطع بمواضعها؛ تُعاد بناء الأسطر حسب خط الأساس وترتيب x (الروتين نفسه في أدوات التحليل)، ثم يُعاد تدفقها اختياريًا إلى فقرات عند الأسطر الفارغة.
المراجع
- Tesseract OCR documentationمحرك التعرف الضوئي مفتوح المصدر: اللغات والنصوص المدعومة، وتحضير الصور، وعوامل الدقة.
- PDF Reference — ISO 32000-1:2008 (PDF 1.7), Adobe copyمواصفة PDF 1.7 المتاحة للقراءة مجاناً: أشجار الصفحات وتيارات المحتوى والبيانات الوصفية والأذونات ومعالج الأمان القياسي.