كيف تحوّل ملف PDF ممسوحًا ضوئيًا إلى نص قابل للتعديل

ما الفرق بين ملف PDF الرقمي وملف PDF الممسوح ضوئيًا؟

ملف PDF الرقمي يحتوي حروفًا نصية حقيقية، أما الممسوح ضوئيًا فيحتوي صورًا للصفحات فقط. تُنشأ ملفات PDF الرقمية بواسطة البرامج، كأن يُحفظ مستند أو يُصدَّر بصيغة PDF من Word. أما الملفات الممسوحة فتأتي من ماسح ضوئي أو من تطبيق مسح على الهاتف يصوّر كل صفحة.

يهمّ هذا الفرق لأن الحروف الحقيقية وحدها يمكن نسخها والبحث فيها وتعديلها. قد تبدو الصفحة الممسوحة نصًا تمامًا، لكنها بالنسبة إلى الحاسوب صورة مكوّنة من بكسلات.

يمكنك عادةً معرفة نوع ملفك خلال ثوانٍ:

• جرّب تحديد كلمة. في PDF الرقمي يمكنك تظليل الكلمات منفردة، أما في الممسوح فلا يحدد المؤشر شيئًا، أو يحدد الصفحة كلها كصورة.
• ابحث عن كلمة تراها أمامك. إذا لم تعثر أداة البحث في عارض PDF على شيء، فالأرجح أن الصفحة لا تحتوي طبقة نصية.
• كبّر العرض كثيرًا. يبقى النص الرقمي حادًا عند أي درجة تكبير، بينما يصبح النص الممسوح ضبابيًا أو تظهر بكسلاته.

بعض الماسحات والتطبيقات تشغّل OCR تلقائيًا وتضيف طبقة نصية مخفية، فتنتج ملف PDF قابلًا للبحث. إذا استطعت تحديد النص في ملف ممسوح فهذه الطبقة موجودة، وإن كانت دقتها تتفاوت.

ما هو التعرف الضوئي على الحروف (OCR) وكيف يعمل؟

التعرف الضوئي على الحروف (OCR) برنامج يحوّل صور النصوص إلى حروف فعلية. فهو يحلل الأشكال على الصفحة، ويتعرف على الحروف والكلمات، ثم يُخرج نصًا قابلًا للتعديل.

تستخدم محركات OCR بيانات خاصة بكل لغة للتعرف على الحروف والكلمات، ولهذا يهمّ اختيار لغة المستند. ولا يمكن ضمان أن يكون التعرف مطابقًا تمامًا: البقع والدقة المنخفضة والخطوط غير المألوفة والصفحات المائلة كلها تسبب أخطاء، لذا ينبغي مراجعة الناتج وتدقيقه.

يستخدم Novaxera على خوادمه محرك Tesseract، وهو محرك OCR مفتوح المصدر واسع الاستخدام. تُرفع الملفات عبر اتصال HTTPS مشفّر، ويُحذف الملف المرفوع فور انتهاء المعالجة، وتُحذف النتيجة خلال 60 دقيقة. وتشرح صفحة الأمان طريقة التعامل مع الملفات بتفصيل أكبر.

كيف تحوّل ملف PDF ممسوحًا ضوئيًا إلى نص باستخدام Novaxera؟

ارفع ملف PDF، واختر اللغة، ثم نزّل الملف النصي. تعمل أداة تحويل PDF إلى نص وأداة تحويل الصورة إلى نص (OCR) بالطريقة نفسها، وتقبل أداة تحويل الصورة إلى نص أيضًا صورًا منفردة بصيغ JPG وPNG وWebP وBMP وTIFF وGIF.

1. افتح أداة تحويل PDF إلى نص (أو تحويل الصورة إلى نص) في أي متصفح حديث على الحاسوب أو الهاتف، دون الحاجة إلى إنشاء حساب.
2. ارفع ملف PDF واحدًا حجمه حتى 50 MB. الملفات الممسوحة متعددة الصفحات مدعومة.
3. اختر لغة المستند: الإنجليزية أو العربية أو الفرنسية أو الألمانية أو الإسبانية أو الإيطالية أو البرتغالية أو الروسية أو الصينية (المبسطة) أو اليابانية. تُستخدم لغة واحدة في كل عملية.
4. ابدأ التعرف على النص. تُعرض كل صفحة كصورة بدقة 144 DPI تقريبًا ويقرؤها محرك Tesseract.
5. نزّل ملف .txt بترميز UTF-8. يبدأ نص كل صفحة بسطر فاصل مثل «--- Page 1 ---»، فتعرف أين تبدأ كل صفحة.

للمستندات العربية، توفّر صفحة OCR العربي الأداة نفسها مع ضبط اللغة على العربية مسبقًا. ونزّل النتيجة دون تأخير، لأنها تُحذف تلقائيًا خلال 60 دقيقة.

كيف تحصل على نتائج OCR أدق؟

جودة المسح الضوئي هي العامل الأكبر تأثيرًا في دقة OCR. وبعض العادات البسيطة تُحدث فرقًا واضحًا.

• امسح بدقة جيدة. يُنصح عادةً بدقة 300 DPI لمسح المستندات النصية، أما المسح بدقة منخفضة جدًا فيجعل الحروف الصغيرة تتداخل.
• اجعل الصفحات مستقيمة. ضع الصفحات بشكل مستقيم على زجاج الماسح، ودوّر الصفحات المائلة جانبيًا أو المقلوبة قبل OCR. يمكن لأداة تدوير صفحات PDF تدوير الصفحات 90° أو 180°.
• احرص على تباين قوي. النص الداكن على خلفية بيضاء سادة يعطي نتائج جيدة. تجنّب الظلال والورق الملون والنسخ الباهتة ولمعان الضوء عند التصوير بكاميرا الهاتف.
• اختر اللغة الصحيحة. يعتمد Tesseract على بيانات اللغة المختارة، فقراءة نص فرنسي على أنه إنجليزي مثلًا تُنتج أخطاء أكثر في الحروف ذات العلامات. وينطبق الأمر نفسه على المستندات العربية: اختر العربية لها.
• احذف الصفحات التي لا تحتاجها. صفحات الغلاف والصفحات الفارغة تضيف تشويشًا فقط، ويمكنك إزالتها أولًا بأداة حذف صفحات من ملف PDF.

حتى مع مسح نظيف، اقرأ الناتج وصحّح الأخطاء، خاصة في الأرقام والأسماء والعناوين.

ما حدود تقنية OCR؟

يستعيد OCR الكلمات الموجودة على الصفحة، لا الصفحة نفسها. ضع هذه الحدود في حسابك قبل أن تبدأ.

• التنسيق لا يُحفظ. ناتج Novaxera نص عادي: دون خطوط أو خط عريض أو أعمدة أو جداول أو صور.
• الكتابة اليدوية لا يُتعرَّف عليها بشكل موثوق. يعمل OCR على النص المطبوع، أما الملاحظات المكتوبة بخط اليد والتواقيع فتخرج غالبًا خاطئة أو ناقصة.
• لغة واحدة في كل عملية. في المستند الذي يمزج لغتين، كالعربية والإنجليزية، قد يُتعرَّف على نص اللغة غير المختارة بشكل ضعيف.
• التخطيطات المعقدة قد تُربك ترتيب القراءة. الصفحات متعددة الأعمدة والنماذج والجداول قد تُنتج نصًا بترتيب غير متوقع.
• المسح الرديء يعطي نصًا رديئًا. الصفحات الضبابية أو المائلة أو منخفضة التباين تؤدي إلى أخطاء أكثر، والنتيجة تحتاج دائمًا إلى تدقيق.

كيف تنقل نص OCR إلى Word؟

افتح ملف .txt، وانسخ النص، ثم الصقه في مستند Word. يقبل كل من Word وGoogle Docs وLibreOffice Writer النص الملصوق، كما يستطيع Word فتح ملفات .txt مباشرة.

بعد اللصق، احذف أسطر الفصل «--- Page N ---» إن لم تكن بحاجة إليها، ثم أصلح فواصل الأسطر، وأضف العناوين، وأعد الخط العريض والقوائم يدويًا. النص بترميز UTF-8، لذا تُحفظ الحروف العربية والروسية والصينية واليابانية.

استخدم أداة تحويل PDF إلى Word بدلًا من ذلك عندما يكون الملف رقميًا. تعيد أداة تحويل PDF إلى Word بناء الفقرات والخطوط والجداول والصور وتخطيط الصفحة من الطبقة النصية الموجودة في الملف، وتعطيك ملف .docx قابلًا للتعديل. لكنها لا تُجري OCR، لذا فإن ملف PDF ممسوحًا ضوئيًا يُحوَّل بها لن يحتوي نصًا قابلًا للتعديل. باختصار: ملف PDF ممسوح ضوئيًا ← استخدم OCR؛ ملف PDF رقمي ← استخدم تحويل PDF إلى Word.