التعرف الضوئي على الحروف لملفات PDF والصور: كيف تحصل على نص دقيق

يقرأ التعرف الضوئي على الحروف أشكال الحروف في صورة أو صفحة ممسوحة ويحوّلها إلى نص حقيقي قابل للتحديد.

ما يفعله OCR بالفعل

الصفحة الممسوحة، أو صورة مستند، هي مجرد صورة، شبكة من البكسل لا تحمل أي مفهوم للحروف أو الكلمات. يحلل OCR هذه الشبكة، ويتعرف على أشكال الحروف، ويُخرج النص الذي يجده مع موضع كل كلمة تم التعرف عليها في الصفحة.

PDF قابل للبحث مقابل نص مستخرج

يضيف OCR PDF طبقة نص غير مرئية وقابلة للبحث فوق صورة الصفحة الأصلية، فتبقى الصفحة تبدو مطابقة تمامًا للمسح لكن النص الذي تحتها قابل للتحديد والبحث في أي عارض PDF. بدلًا من ذلك، يستخرج صورة إلى نص النص المتعرَّف عليه بمفرده، دون أي صورة صفحة متضمَّنة، لعندما تريد فقط الكلمات.

اللغات والاكتشاف التلقائي

يدعم التعرف 95 لغة أو أكثر. يمكن اكتشاف اللغة تلقائيًا صفحة بصفحة، وهذا مناسب للمستندات المختلطة، أو يمكنك اختيار لغة أو أكثر يدويًا عندما تعرف بالضبط ما يحتويه المستند. يميل الاختيار اليدوي إلى أن يكون أدق من الاكتشاف التلقائي للمستندات القصيرة أو غير المعتادة حيث لا يوجد نص كافٍ لاكتشاف اللغة بشكل موثوق.

نصائح لجودة المسح

تُقرأ الصفحات بدقة 300 dpi، وهي خط أساس جيد للنص المطبوع القياسي. تصنع بعض العادات فرقًا حقيقيًا في الدقة:

• حافظ على استقامة الصفحة؛ فالنص المنحرف يقلل دقة التعرف بشكل ملحوظ.
• استخدم إضاءة متساوية وتجنّب الظلال على الصفحة، لأن التباين المنخفض يشوّش أشكال الحروف.
• امسح بدقة 300 dpi أو أعلى بدلًا من الاعتماد على صورة هاتف منخفضة الدقة.
• سوِّ الصفحات المجعّدة أو المطوية قبل المسح كلما أمكن ذلك.

المستندات متعددة اللغات

لصفحة تتبدل بين لغتين أو ثلاث، اختر يدويًا جميع اللغات ذات الصلة بدلًا من الاعتماد على الاكتشاف التلقائي، الذي يعمل صفحة بصفحة وقد يفوّت لغة تظهر فقط في قسم صغير من تلك الصفحة.

الجداول والنماذج

يتعرف OCR على النص داخل خلايا الجداول وحقول النماذج، لكنه لا يحافظ دائمًا على بنية الشبكة الأصلية بشكل مثالي، خصوصًا مع الحدود الرقيقة أو التخطيطات غير المعتادة. تحقق بعناية من الجداول العددية، لأن رقمًا مقروءًا بشكل خاطئ يسهل تفويته بصريًا.

قيود الكتابة اليدوية

تنخفض دقة التعرف بشكل حاد على الكتابة اليدوية، وتنخفض أكثر مع الخط الصغير والخطوط الزخرفية والتباين المنخفض والصفحات المنحرفة. تُعالَج الحروف المطبوعة المرتبة والكتلية بشكل أفضل من الكتابة المتصلة، لكن ما من أداة OCR هنا تُعد بديلًا موثوقًا لنسخ إنساني للملاحظات المكتوبة بخط اليد.

فحص النتائج

تحقق دائمًا بشكل عشوائي من مخرجات OCR مقارنة بالأصل، خصوصًا الأرقام والأسماء وأي نص بخط صغير. تصفح سريع لصفحة محوَّلة يكشف معظم أخطاء التعرف قبل أن تسبب مشكلة لاحقة.

اختيار الأداة المناسبة

استخدم OCR PDF عندما يحتاج الملف النهائي إلى الاستمرار في الظهور كالمسح الأصلي لكن يصبح قابلًا للبحث. استخدم صورة إلى نص عندما تحتاج فقط إلى الكلمات المتعرَّف عليها، دون أي صورة صفحة. استخدم مسح إلى Markdown عندما يحتوي المستند الممسوح على بنية، عناوين أو قوائم أو جداول، تستحق الحفظ كـ Markdown، كما هو مشروح في دليل PDF إلى Markdown. استخدم PDF إلى Word عندما يكون الهدف النهائي مستندًا قابلًا للتحرير بدلًا من نص عادي. أيًا كانت الأداة التي تختارها، تبقى مراجعة يدوية سريعة للصفحة الأولى مقارنة بالمخرجات أسرع طريقة للتأكد من أن الإعدادات المختارة كانت صحيحة لذلك المستند بالتحديد.