OCR، أي التعرف الضوئي على الحروف، يقرأ الحروف في صورة الصفحة ويحولها إلى نص يستطيع الكمبيوتر البحث فيه. ملف PDF الممسوح ضوئيًا مجرد صور، فلا يمكنك البحث فيه أو تحديد جملة أو نسخ رقم منه. بعد OCR يصبح ذلك ممكنًا. تقوم هذه الأداة بذلك في متصفحك، بلا حد للصفحات، ولا يُرفع مستندك أبدًا.
جعل ملف PDF الممسوح قابلًا للبحث
تبدو النتيجة تمامًا مثل المستند الممسوح، لأن الصفحات الأصلية تبقى كما هي. تحت الصورة توجد طبقة غير مرئية من الكلمات المُتعرَّف عليها في موضع كل كلمة، فيظلل البحث المكان الصحيح ويلتقط تحديد النص الكلمات التي تراها. لمعرفة إن كان ملف PDF يحتوي على نص أصلًا، حاول تحديد سطر: إن لم تستطع، فهو يحتاج إلى OCR.
اختيار لغات OCR
يحتاج التعرف إلى معرفة الأبجدية والكلمات المتوقعة، لذا اختر كل لغة مطبوعة في المستند، مثل العربية والإنجليزية لنموذج ثنائي اللغة. تتوفر أكثر من 100 لغة، منها الصينية واليابانية والكورية والعربية والعبرية والهندية. تُنزَّل كل لغة مرة واحدة، وغالبًا ما يكون حجمها بضعة ميغابايت، ثم يحتفظ بها متصفحك؛ ويظهر الحجم قبل أن تبدأ. اختيار لغات غير موجودة في المستند يجعل التعرف أبطأ وأقل دقة.
ما يؤثر في دقة OCR
في المسح النظيف والمستقيم لنص مطبوع بدقة 300 dpi، تُقرأ كل الكلمات تقريبًا بشكل صحيح. تنخفض الدقة مع صور الهاتف الضبابية، والدقة المنخفضة، والصفحات المائلة أو المنثنية، والطباعة الباهتة، والخلفيات الملونة، والخطوط غير المعتادة، والجداول ذات الخطوط المتقاربة. الكتابة اليدوية لا يُتعرّف عليها في الغالب. رفع الدقة في الإعدادات المتقدمة يساعد مع الخط الصغير، لكنه يستغرق وقتًا أطول. راجع دائمًا الأسماء والأرقام التي تعتمد عليها.
كيف تعمل الأداة
تُرسم كل صفحة كصورة في متصفحك ويقرؤها Tesseract، وهو محرك OCR مفتوح المصدر يعمل على جهازك. تُكتب الكلمات التي يجدها ومواقعها في نسخة من ملف PDF كطبقة نص غير مرئية، وتُجمع في الملف النصي. يعالج الكمبيوتر المحمول الصفحة في بضع ثوانٍ؛ والهاتف أبطأ. المستندات الطويلة تستغرق وقتًا أطول لكن بلا حد، والتقدير الذي يظهر قبل البدء يخبرك بما تتوقعه.
فيمَ يستخدمها الناس، ومتى لا تنجح
العقود والرسائل الممسوحة ضوئيًا، والكتب والرسائل الجامعية القديمة، والإيصالات والفواتير للمحاسبة، والأوراق المدرسية، والسجلات من الأرشيف، وكل ما تريد البحث فيه على جهازك لاحقًا.
- لا يُعاد بناء التنسيق. يحتفظ ملف PDF القابل للبحث بالمظهر الأصلي؛ والملف النصي نص عادي. لتعديل المستند، استخدم PDF إلى Word بعد ذلك.
- الكتابة اليدوية لا يُتعرّف عليها في الغالب.
- ملفات PDF التي تحتوي على نص أصلًا لا تحتاج إلى OCR؛ لاستخراج نصها استخدم PDF إلى نص.
- على الهاتف، أبقِ الشاشة مضاءة وعلامة التبويب مفتوحة أثناء المهام الطويلة، وإلا أوقفها المتصفح مؤقتًا.