OCR لملفات PDF: اجعل PDF الممسوح قابلًا للبحث

ما هو OCR لملف PDF؟

ملف PDF الناتج عن ماسح ضوئي أو تطبيق مسح لا يحتوي إلا على صور للصفحات: أنت ترى كلمات، لكن البرنامج لا يرى إلا بكسلات. فلا يمكنك عندها البحث عن اسم باستخدام Ctrl+F، ولا نسخ فقرة، ولا جعل برنامج قراءة صوتية يقرأ المستند. تقنية OCR، أي التعرف الضوئي على الحروف، تحلل الصورة وتستخرج الحروف الموجودة فيها. ثم تضع هذه الأداة ذلك النص داخل ملف PDF على هيئة طبقة غير مرئية محاذية لكل كلمة. يحتفظ المستند بمظهره تمامًا، لكنه يصبح قابلًا للبحث والتحديد والفهرسة، مثل ملف PDF أُنشئ مباشرة من برنامج معالجة نصوص.

كيف تحصل على أفضل نتيجة؟

تعتمد جودة التعرف أولًا على جودة المسح. فالمسح بدقة 300 نقطة في البوصة، بإضاءة جيدة، بالأبيض والأسود أو بتدرج الرمادي، يعطي نتائج ممتازة مع النصوص المطبوعة. تُقرأ الصفحات بدقة 300 نقطة في البوصة تقريبًا، مما يترك هامشًا حتى مع مسح أخف. حدّد جميع اللغات الموجودة: لنشرة ثنائية اللغة بالعربية والإنجليزية، أضف اللغتين، وإلا فستُتعرَّف الكلمات الأجنبية بشكل أقل دقة. يبقى الخط اليدوي والأختام والنص على خلفية مزدحمة جدًا أمرًا صعبًا. وبعد OCR، أجرِ اختبارًا: ابحث عن كلمة نادرة في المستند للتأكد من العثور عليها.

تبقى مستنداتك على جهازك

كثيرًا ما تحتوي ملفات PDF الممسوحة على أوراق حساسة: بطاقات هوية، وقسائم رواتب، وعقود، ووصفات طبية. هنا يُفتح الملف ويُقرأ مباشرة داخل متصفحك، ولا يُرسل أبدًا إلى أي خادم. لا يُنزَّل سوى نماذج اللغات، ببضعة ميغابايتات لكل لغة، عند الاستخدام الأول، ثم يحتفظ بها المتصفح في ذاكرته المؤقتة. تستغرق المعالجة من بضع ثوانٍ إلى نحو عشرين ثانية لكل صفحة حسب قوة الجهاز، ويمكنك إلغاؤها في أي وقت. وبعد أن يصبح ملف PDF قابلًا للبحث، يمكنك ضغطه أو تحويله إلى Word أو استخراج نصه باستخدام أدوات PDF الأخرى.