التعرف الضوئي على PDF v1.0

أداة OCR PDF تحوّل الملف الممسوح ضوئيا إلى مستند قابل للبحث والنسخ دون أن تغيّر شكل الصفحة الأصلية. المستند الممسوح ضوئيا هو صورة في حقيقته، والبحث داخله مستحيل حتى لو كان النص واضحا أمام عينيك. تضيف الأداة في DocPivot طبقة نصية شفافة فوق الصورة ذاتها، فتصبح الكلمات قابلة للتحديد والنسخ والفهرسة بينما تبقى بكسلات الصفحة كما هي بالضبط. الأداة مجانية بلا حساب وبلا حد يومي، وتدعم 123 لغة مع كشف تلقائي لنظام الكتابة، وتعلن نسبة ثقتها في القراءة بدل أن تتركك تخمّن. وإذا احتجت النص وحده في ملف مستقل بعد المعالجة، فإن أداة استخراج النص من PDF تكمل المسار.

نظرة عامة على أداة OCR PDF من DocPivot

تقرأ الأداة كل صفحة في الملف وتضع فوقها طبقة نص غير مرئية بإحداثيات مطابقة لمواضع الكلمات. تُعرض الصفحة عبر مكتبة libvips ثم تُمرّر إلى محرك Tesseract 5 للتعرف على الحروف، وتُدمج النتيجة بأداة qpdf فوق الصفحة الأصلية دون إعادة ترميزها. حجم الطبقة النصية يقارب 4 كيلوبايت للصفحة الواحدة ولا تتضمن أي صورة، ولهذا لا ينتفخ حجم الملف ولا تتدهور جودته. الصفحات التي تحتوي على نص أصلا تُتخطى، لأن إضافة طبقة ثانية تجعل كل عبارة تظهر مرتين في نتائج البحث.

من يستخدم هذه الأداة: موظفو الأرشيف في الجهات الحكومية والشركات، والمحامون الذين يتعاملون مع عقود ممسوحة، والمحاسبون الذين يستلمون فواتير ورقية، وطلبة الدراسات العليا الذين يجمعون مراجع مصوّرة، وفرق الموارد البشرية التي تحفظ نسخا من الهويات والشهادات.

المشكلة والحل: ملف بـ 80 صفحة ممسوحة يعني ثمانين صفحة لا يعمل فيها بحث ولا نسخ، والبديل التقليدي هو إعادة الكتابة يدويا أو التنقل بالعين صفحة صفحة. بعد المعالجة يصبح البحث عن رقم عقد أو اسم مورّد عملية من ثانيتين، ويمكن نقل المحتوى إلى صيغة Word قابلة للتحرير دون إعادة طباعة.

الفوائد الرئيسية لتشغيل OCR على مستنداتك

• الصفحة تبقى كما هي: عند مقارنة الملف الأصلي بالناتج عند دقة 150 نقطة في البوصة، كان الفارق صفر بايت من أصل 6,312,900 بايت.
• بحث فوري داخل الأرشيف: تتحول آلاف الصفحات المصوّرة إلى محتوى تجده أنظمة الفهرسة وبرامج قراءة PDF.
• حجب حقيقي لا تغطية شكلية: بعد وجود طبقة نصية تستطيع أداة حجب البيانات الحساسة أن تبحث عن الكلمة وتحذفها فعليا بدل تغطية البكسلات فقط.
• تقرير دقة معلن: تعرض الأداة عدد الكلمات ومتوسط الثقة وعدد الكلمات المشكوك فيها بعد كل معالجة.
• كشف تلقائي للغة: يُفحص نظام الكتابة في الصفحة الأولى قبل بدء التعرف، فلا تضطر للبحث في قائمة من 123 خيارا.
• حجم ملف منضبط: الطبقة النصية خفيفة، ومن يحتاج تقليصا إضافيا يمكنه المرور على أداة ضغط PDF بعد المعالجة.
• مجانية بلا سقف: لا حساب ولا حد يومي ولا باقة مدفوعة لفك القيود.

الميزات الأساسية

• دعم 123 لغة: تشمل العربية والفارسية والأردية والعبرية إضافة إلى اللغات اللاتينية والآسيوية.
• قائمة لغات قابلة للبحث: تكتب اسم اللغة بدل تمرير قائمة منسدلة طويلة.
• كشف نظام الكتابة: تُفحص الصفحة الأولى ويُضبط الإعداد تلقائيا، ويظهر في التقرير ما الذي كُشف فعليا.
• مستويان لجودة المسح: المستوى القياسي يعرض عند 200 نقطة في البوصة، ومستوى التفاصيل العالية عند 300 للخطوط الصغيرة والنسخ الباهتة والأختام والتواقيع.
• عتبة تكيفية للتباين: يُحسب حد الفصل بين النص والخلفية محليا لا للصفحة كلها، وهذا ضاعف النص المستخرج من صفحة تحمل شريطا داكنا في الأعلى.
• طبقة نصية شفافة: حروف غير مرئية بإحداثياتها الصحيحة، دون إعادة بناء الصفحة أو إعادة ضغط الصورة.
• تخطي الصفحات النصية: أي صفحة تحتوي نصا أصليا تُترك كما هي لمنع ازدواج نتائج البحث.
• تقرير ما بعد المعالجة: عدد الكلمات ومتوسط الثقة وعدد الكلمات منخفضة الثقة في نفس الشاشة.
• معالجة حتى 200 صفحة: بمعدل يتراوح بين 3 و6 ثوان للصفحة الواحدة.
• مسار تحرير مكتمل: بعد ظهور النص تستطيع أداة تحرير نص PDF التعامل مع الكلمات المستخرجة مباشرة.
• معالجة على خوادمنا: بلا خدمة OCR خارجية وبلا مفتاح API لطرف ثالث.
• حذف تلقائي للملفات: يُمسح كل ما يُرفع خلال 30 دقيقة.

كيف تعمل أداة OCR PDF خطوة بخطوة

1. ارفع الملف: اسحب ملف PDF الممسوح ضوئيا إلى صفحة الأداة في DocPivot أو اختره من جهازك.
2. راجع اللغة المكتشفة: تُفحص الصفحة الأولى ويُضبط نظام الكتابة تلقائيا، ويمكنك تعديل الاختيار يدويا إن لزم.
3. اختر جودة المسح: ابق على المستوى القياسي للمستندات النظيفة، وانتقل إلى التفاصيل العالية للنسخ القديمة أو الخطوط الصغيرة.
4. شغّل المعالجة: تُقرأ الصفحات واحدة تلو الأخرى وتُدمج الطبقة النصية فوق الصفحة الأصلية.
5. اقرأ التقرير ثم نزّل الملف: تحقق من متوسط الثقة وعدد الكلمات المشكوك فيها قبل الاعتماد على الناتج في أرشيف رسمي.

إذا كان ما لديك صورا مفردة لا ملف PDF، فحوّلها أولا عبر أداة تحويل JPG إلى PDF ثم شغّل التعرف على الملف الناتج.

متى تستخدم أداة OCR PDF

استخدم الأداة كلما احتجت البحث داخل مستند لا يستجيب للبحث، أو كلما أردت نقل محتواه إلى صيغة أخرى دون إعادة كتابته. القاعدة العملية بسيطة: إذا لم تستطع تحديد كلمة واحدة بالماوس داخل الملف، فأنت أمام صورة لا نص.

• أرشفة العقود الورقية: تحويل ملفات العقود الممسوحة إلى أرشيف يبحث فيه بالاسم ورقم الاتفاقية.
• الفواتير والكشوف البنكية: استخراج البيانات الرقمية تمهيدا لنقلها عبر أداة تحويل PDF إلى Excel إلى جداول محاسبية.
• الأبحاث الأكاديمية: الاقتباس من مراجع مصوّرة ومخطوطات مطبوعة دون إعادة طباعة الفقرات.
• ملفات الموارد البشرية: فهرسة نسخ الهويات والشهادات والعقود الوظيفية داخل نظام واحد.
• المراسلات الحكومية: جعل الخطابات الرسمية الممسوحة قابلة للبحث قبل حفظها في السجل.
• الملفات المجمّعة: تشغيل التعرف قبل أو بعد استخدام أداة دمج ملفات PDF لتوحيد أرشيف كامل في مستند واحد قابل للبحث.
• الامتثال والتدقيق: تجهيز المستندات لمراجعة داخلية تتطلب تتبع كلمات أو بنود بعينها.

في المقابل، لا حاجة للأداة إذا كان الملف صادرا أصلا من Word أو من نظام فوترة إلكتروني، لأن نصه موجود بالفعل وستتخطاه الأداة وتخبرك بذلك.

حالات استخدام عملية في السوق العربي

مكتب محاماة في الرياض

السياق: أرشيف من عقود وأحكام ممسوحة على مدى سنوات، والبحث فيها يتم بالاعتماد على أسماء الملفات فقط.

• تشغيل التعرف على الملفات بمستوى التفاصيل العالية بسبب رداءة النسخ القديمة.
• مراجعة متوسط الثقة لكل ملف قبل اعتماده في الأرشيف.
• الاحتفاظ بالنسخة الأصلية لأن شكل الصفحة لم يتغير.

النتيجة: البحث عن اسم موكّل أو رقم صك يصبح فوريا بدل فتح عشرات الملفات يدويا.

شركة تجارة إلكترونية في دبي

السياق: فواتير موردين تصل ورقية وتُمسح ضوئيا قبل إدخالها في النظام المحاسبي.

• معالجة دفعة الفواتير الشهرية بمستوى قياسي لأن المسح حديث ونظيف.
• نسخ أرقام الفواتير والمبالغ مباشرة من الملف بدل إعادة إدخالها.
• فتح الملفات المحمية بكلمة مرور عبر أداة إزالة حماية PDF قبل تشغيل التعرف.

النتيجة: تقليص وقت الإدخال اليدوي وتقليل أخطاء نقل الأرقام.

جامعة في القاهرة

السياق: رقمنة رسائل ماجستير ودوريات قديمة لإتاحتها في المكتبة الرقمية.

• تشغيل التعرف على الأعداد الممسوحة مع مراجعة الكلمات منخفضة الثقة.
• الاحتفاظ بالمظهر الأصلي للصفحات لأن قيمة النسخة الأرشيفية في شكلها.
• إتاحة البحث النصي داخل المكتبة الرقمية للباحثين.

النتيجة: مجموعة مصوّرة تتحول إلى مادة يمكن الاستشهاد بها والبحث داخلها.

جهة حكومية في الكويت

السياق: معاملات ورقية تُمسح ضوئيا وتُحفظ ضمن سجل إلكتروني يخضع للتدقيق.

• معالجة الملفات على دفعات لا تتجاوز 200 صفحة للملف الواحد.
• توثيق متوسط الثقة كجزء من سجل جودة الرقمنة.
• تحويل الملفات المعتمدة إلى صيغة PDF/A للأرشفة طويلة المدى.

النتيجة: سجل رقمي قابل للبحث والتدقيق يحتفظ بالصورة الأصلية للمستند.

ما الذي يقرره كشف نظام الكتابة وما لا يقرره

الكشف التلقائي يحدد نظام الكتابة لا اللغة دائما، والفرق بينهما مهم عمليا. بعض الأنظمة تخص لغة واحدة فيُحسم الأمر مباشرة، وبعضها مشترك بين لغات عدة فتُختار الأكثر شيوعا في المسح الضوئي مع إعلان الأمرين معا. النظام اللاتيني مستثنى عمدا من هذا الربط، لأن تخمين الإنجليزية من مجرد رؤية حروف لاتينية لا يختلف عن عدم الكشف إطلاقا، مع أنه يبدو كأنه قرار مدروس.

بالنسبة للمستندات العربية، هذا يعني أن النظام العربي يُكتشف تلقائيا وتُختار العربية، ويظهر الاختيار أمامك. وإذا كان مستندك بالفارسية أو الأردية أو الكردية وهي لغات تشترك في النظام ذاته، فالتعديل اليدوي للغة خطوة مهمة لا تفصيلا شكليا.

لماذا يهم اختيار اللغة وجودة المسح

اختيار اللغة الخاطئة يخفض دقة القراءة دون أن يوقفها، وهذا هو بالضبط سبب الشكاوى المتكررة في المنتديات عن نتائج OCR الرديئة. في قياس على مسح ألماني واحد، بلغ متوسط الثقة 96 بالمئة عند اختيار الألمانية و87 بالمئة عند تركه على الإنجليزية. الملف نفسه والمحرك نفسه، والفارق كله في إعداد واحد. ويجعل التقرير الذي تعرضه الأداة هذا الفارق مرئيا بدل أن يظل مخفيا.

أما جودة المسح فأثرها يظهر عند المستندات المتدهورة تحديدا. على مسح رديء بدقة 288 نقطة في البوصة لخط بحجم 8 نقاط، استعاد المستوى القياسي 56 وحدة نصية من أصل 57 واخترع وحدتين، بينما استعاد مستوى التفاصيل العالية الوحدات السبع والخمسين كلها دون اختراع أي شيء. على مسح نظيف كان المستويان متطابقين في النتيجة، ولهذا يبقى المستوى القياسي هو الافتراضي. النصوص العربية بما فيها من تشكيل وحروف متصلة ونقاط متقاربة تستفيد من المستوى الأعلى أكثر من غيرها عند رداءة المصدر.

حدود الأداة التي يجب أن تعرفها

• الخط اليدوي غير مدعوم بمستوى يُعتمد عليه: هذا حد في محرك التعرف نفسه لا في إعدادات الأداة، وأي وعد بعكس ذلك يحتاج تدقيقا.
• الملفات المحمية بكلمة مرور تُرفض: تظهر رسالة واضحة بذلك، وعليك فك الحماية أولا.
• المستندات القابلة للبحث أصلا تعود كما هي: تُعلن الأداة ذلك بدل إضافة طبقة مكررة.
• سقف 200 صفحة للملف الواحد: الأرشيفات الأكبر تحتاج تقسيما قبل المعالجة.
• الدقة تتبع جودة المصدر: المسح المائل أو المتسخ أو منخفض الدقة يخفض النتيجة مهما كان المحرك، ولا توجد أداة تعوّض مسحا رديئا بالكامل.
• العربية أصعب على محركات التعرف من اللاتينية: اتصال الحروف وتغير أشكالها حسب موضعها يرفع نسبة الخطأ، ولهذا فإن قراءة تقرير الثقة قبل اعتماد الناتج في سياق رسمي ليست خطوة اختيارية.

مقارنة أداة OCR في DocPivot بالبدائل الشائعة

أجري قياس مباشر مع PDF24 على الملف الممسوح نفسه، أما بقية الأدوات فمقارنتها مبنية على ما تنشره عن حدود باقاتها.

الفارق الجوهري ليس في عدد الكلمات المقروءة، فقد تساوى الطرفان في القياس. الفارق في أن الصفحة عند DocPivot لم تُمس، بينما عاد الناتج الآخر بنصف الحجم لأنه أعيد بناؤه، وهذا يعني مسحا يخرج أسوأ مما دخل. ونقطة ثانية لا تقل أهمية للسوق العربي: إعلان نسبة الثقة، فكل الأدوات الأخرى تترك لك مهمة مراجعة الطبقة النصية يدويا لتكتشف أن القراءة كانت رديئة.

أدوات ذات صلة

أكمل سير عملك مع أدوات DocPivot التالية:

• تقسيم PDF: قسّم الأرشيفات الكبيرة إلى ملفات ضمن سقف المعالجة قبل تشغيل التعرف.
• محرر PDF: عدّل الصفحات والعناصر داخل الملف من المتصفح مباشرة.
• توقيع PDF: أضف توقيعك الإلكتروني إلى العقود والمعاملات بعد رقمنتها.
• علامة مائية على PDF: ضع علامة ملكية أو تصنيف سرية على النسخ المتداولة.
• تدوير صفحات PDF: صحّح اتجاه الصفحات المقلوبة قبل القراءة الضوئية لرفع الدقة.
• ترتيب صفحات PDF: أعد ترتيب الصفحات واحذف الزائد منها قبل الأرشفة.
• تحويل PDF إلى JPG: استخرج صور الصفحات للاستخدام في العروض والتقارير.
• ترقيم صفحات PDF: أضف أرقام صفحات منظمة إلى المستندات المدمجة.

الأسئلة الشائعة