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.
الإجابة: نعم
سؤال 2: هل «تخطي الصفحات التي تحتوي نصًا أصلًا» محدد؟الإجابة: محدد (الافتراضي)
النتيجة: تُترك كما هي: بلا تعرف ضوئينصها قابل للتحديد والبحث أصلًاالإجابة: غير محدد
النتيجة: يُتعرَّف عليها على أي حال، كالمسح
الإجابة: لا: مسح، بكسلات فقط
سؤال 3: هل ثقة الكلمة المتعرَّف عليها 30% على الأقل؟تُصيَّر الصفحة بدقة 150 أو 200 أو 300 نقطة في البوصة ويقرؤها Tesseract في متصفحكالإجابة: نعم
النتيجة: تُكتب نصًا غير مرئي فوق كلمتها المطبوعةلا يُمس المسح؛ ويمكنك الآن البحث وتحديد النص ونسخهPDF قابل للبحثالإجابة: لا
النتيجة: تُستبعد من طبقة النصتبقى في معاينة النص وتنزيل.txt
كيفية استخدام التعرف الضوئي على نص PDF
- أسقط ملف PDF الممسوح.
- اختر لغة (أو لغات) النص والدقة.
- انقر «جعله قابلًا للبحث».
- نزّل ملف PDF القابل للبحث (والنص إن كان مفيدًا).
مزايا التعرف الضوئي على نص PDF
- Tesseract OCR في المتصفح (WebAssembly) ونماذج مقدَّمة من هذا الموقع
- العربية والإنجليزية والهندية — منفردة أو معًا
- طبقة نص غير مرئية توضع كلمة كلمة فوق المسح
- تُتخطّى الصفحات التي تحتوي نصًا أصلًا
- 150 / 200 / 300 نقطة في البوصة
- عرض الثقة واستبعاد الكلمات منخفضة الثقة من طبقة النص
- معاينة النص وتنزيل .txt أيضًا
مثال على التعرف الضوئي على نص PDF
عقد ممسوح من 20 صفحة بالعربية والإنجليزية
الإدخال:
contract-scan.pdf، اللغة: العربية + الإنجليزية، 200 نقطة في البوصةالنتيجة:
contract-scan-searchable.pdf — الصفحات نفسها وقد صارت قابلة للتحديد والبحث؛ متوسط الثقة 91%الأسئلة الشائعة حول التعرف الضوئي على نص PDF
هل يجري التعرف الضوئي على خادم؟
لا. يعمل Tesseract بصيغة WebAssembly داخل متصفحك وتُنزَّل نماذج اللغة من هذا الموقع مرة واحدة (نحو 3 ميغابايت لكل لغة). لا يغادر المسح جهازك أبدًا.
ماذا يعني «قابل للبحث» هنا؟
تُضاف الكلمات المتعرَّف عليها طبقة نص غير مرئية فوق كل صفحة بحجم وموضع يطابقان الكلمات المطبوعة. تبقى الصفحة تبدو كالمسح، لكن يمكنك البحث فيها وتحديد النص ونسخه، ويعثر عليها البحث النصي في مديري الملفات.
ما مدى الدقة؟
على مسح نظيف بدقة 200–300 نقطة في البوصة لنص مطبوع، عادة أعلى من 95% للحرف اللاتيني وأقل قليلًا للعربية والديفاناغاري. تعرض النتيجة متوسط الثقة، وتُستبعد الكلمات تحت ثقة 30% من طبقة النص غير المرئية بدل كتابتها خطأ؛ أما معاينة النص وتنزيل .txt فيحتفظان بكل كلمة متعرَّف عليها. لا يُتعرَّف على خط اليد.
ما اللغات المدعومة؟
الإنجليزية والعربية والهندية، منفردة أو معًا (مثلًا العربية + الإنجليزية لعقد ثنائي اللغة). اختيار اللغة الصحيحة أهم من أي إعداد آخر.
هل يبطئ الملف أو يكبّره؟
تضيف طبقة النص بضعة كيلوبايتات لكل صفحة. يستغرق التعرف نحو 2–6 ثوانٍ لكل صفحة على حاسوب محمول، وأطول على الهاتف.
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.
ما حدود الحجم؟
حتى 250 ميغابايت و2000 صفحة لكل عملية على متصفح الحاسوب، و60 ميغابايت و500 صفحة على الهاتف، لأن كل شيء يعمل في ذاكرة جهازك. تخبرك الأداة قبل البدء إذا تجاوز الملف الحد.
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
تُصيَّر كل صفحة بـ pdf.js بالدقة المختارة (مع تطبيق الدوران) وتُمرَّر إلى Tesseract (tesseract.js 7، نماذج LSTM best_int). تُعاد الكلمات ومربعاتها بالبكسل عبر تحويل عرض الصفحة وتُكتب نصًا غير مرئي (وضع تصيير 3) بخطي Cairo / Noto Sans Devanagari المضمّنين، مع تمديد كل كلمة إلى مربعها بمصفوفة نص، فيتبع التحديد المطبوع. ولا يُمس تدفق محتوى المسح.
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.