يصلك بريد ممسوح ضوئيًا: قرار إداري، قسيمة راتب، فاتورة قديمة. الملف ملف PDF فعلًا، لكنه لا يحوي سوى صورة: يستحيل البحث عن اسم أو نسخ مبلغ أو فهرسة المستند. رد الفعل الشائع هو إرسال الملف إلى خدمة OCR عبر الإنترنت — لدى iLovePDF مثلًا، OCR محجوز للباقة المدفوعة. تؤدي هذه الأداة الشيء نفسه دون أن يغادر المستند متصفحك، وتنتج مخرجين: النص الخام وملف PDF قابلًا للبحث.
ماذا تفعل الأداة فعليًا
يقرأ OCR في Document Flare كل صفحة كصورة، ويمررها إلى محرك Tesseract المُجمَّع إلى WebAssembly، ويعيد ملفين:
- ملف
.txtيحوي النص المُتعرَّف عليه صفحةً صفحة؛ - ملف
-ocr.pdfتتلقى فيه كل صفحة-صورة طبقة نصية غير مرئية: يبقى المظهر مطابقًا للعين، لكن المستند يصبح قابلًا للبحث والنسخ والفهرسة.
تتم المعالجة في متصفحك: لا الملف ولا محتواه ولا النص المستخرج يمر بأي خادم. النماذج مستضافة ذاتيًا تحت /tesseract/ وتُقدَّم من نفس الأصل — لا يوجد CDN خارجي يجب السماح به. عامل Tesseract ونواة WASM وملفات اللغة تبقى خارج الحزمة الأولية: لا تُحمَّل إلا عند فتح الأداة.
IRIScan Executive 4 Pro — بوجهين + OCRبوجهين وOCR مدمج للكميات الكبيرة.انتساب
متى تستخدمها
- ملف PDF ممسوح بلا طبقة نصية: مستند صادر عن ماسح أو كاميرا هاتف، يعرض صورة صفحة دون نص قابل للتحديد.
- مستند تريد جعله قابلًا للبحث: استرجع ملف
-ocr.pdfللأرشفة أو البحث بالنص الكامل في قارئك المعتاد. - تحقق سريع قبل معالجة لاحقة: استخراج النص صفحةً صفحة، أو تقسيم PDF بكلمة مفتاحية، أو نسخ مقاطع ولصقها.
إن كان ملف PDF يحوي نصًا أصليًا أصلًا، تعرض الأداة تحذيرًا: سيكون OCR زائدًا وأقل موثوقية من الاستخراج المباشر.
خطوة بخطوة
- اختر اللغة أو اللغات. حدّد اللغات الموجودة في المستند. الفرنسية والإنجليزية محددتان مسبقًا.
- دع الأداة تكتشف الطبقة النصية. إن كان ملف PDF يحوي نصًا أصلًا، تقترح عليك رسالة فرض OCR أو الإلغاء.
- ابدأ التعرف. تُعرَض كل صفحة كصورة بمقياس 2 (نحو 144 نقطة في البوصة) ثم يحللها Tesseract. يُعرَض التقدم صفحةً صفحة، مع متوسط درجة الثقة في النهاية.
- استرجع النتائج. يظهر النص في منطقة قابلة للنسخ. ويُقترَح تنزيلان: ملف
.txtوملف PDF القابل للبحث-ocr.pdf.
اللغات الخمس المتاحة
تقترح الواجهة خمس لغات: الفرنسية والإنجليزية والألمانية والإسبانية والعربية. يمكنك تحديد عدة لغات، لكن لمستند متعدد اللغات فضّل اللغة الغالبة: يعطي Tesseract عمومًا نتائج أفضل بنموذج موجّه جيدًا منه بمزيج غير مؤكد. الطبقة النصية غير المرئية يولّدها Tesseract نفسه، وهو ما يحفظ تشكيل الحروف العربية.
أول تنزيل للنماذج
عند أول تشغيل، ينزّل المتصفح نماذج اللغات المحددة (ملفات .traineddata.gz)، ثم تُخزَّن مؤقتًا في IndexedDB بواسطة Tesseract.js. يستغرق التنزيل الأول بضع ثوانٍ حسب الاتصال وعدد اللغات؛ الاستخدامات اللاحقة أسرع بكثير. عند تشغيله دون اتصال ودون ذاكرة مؤقتة، يعيد OCR خطأ: النماذج غير متاحة محليًا بعد.
الحدود والمزالق
- ملف
.txtلا يحفظ التنسيق. الأعمدة والجداول والصور لا تُستعاد في النص الخام. أما ملف PDF القابل للبحث فيحفظ الصفحات-الصور كما هي — تتراكب الطبقة النصية دون إعادة بناء للمستند. - حجم محدود في المجاني. ملف واحد، 50 ميغابايت كحد أقصى، 100 صفحة كحد أقصى. فوق ذلك، تعالج الأداة أول 100 صفحة وتشير إلى ذلك صراحة؛ بطاقة 7 أيام اختيارية ترفع هذا السقف.
- مخرج جزئي ممكن. إن تعذّر دمج صفحة في PDF النهائي، فهي غائبة عن
-ocr.pdf(يبقى.txtكاملًا) — تعرض اللوحة عدد الصفحات المفقودة. - الجودة مرتبطة بالمسح. مستند ضبابي أو مشوّه أو مائل ينتج أخطاء أكثر. يمكنك أولًا تقويم المسح.
- دون اتصال ودون ذاكرة مؤقتة: فشل. يتطلب أول تشغيل اتصالًا لجلب النماذج.
- الكتابة اليدوية غير مُتعرَّف عليها. Tesseract مصمم للمطبوع؛ النماذج المكتوبة بخط اليد والتوقيعات لن تُقرأ بشكل موثوق.
- طبقة نصية موجودة. فرض OCR على ملف PDF نصي أصلًا قد يُدخل أخطاء حيث كان الاستخراج الأصلي سيكون دقيقًا.
تسلسلات ممكنة
المسح الجيد يُجهَّز غالبًا قبل OCR:
- رقمنة مستند إلى PDF بكاميرا الهاتف، دون رفع.
- تقويم PDF ممسوح مائل لتصحيح انحراف خفيف.
- استخراج نص ملف PDF إن كان المستند يحوي طبقة نصية أصلًا.
وإن كان السؤال الجوهري «هل يجب فعلًا إرسال هذا المستند إلى خدمة عبر الإنترنت»، فالمقارنة بديل محلي عن iLovePDF تفصّل ما يتغير حين لا يغادر الملف.
أجهزة المسح الضوئي
IRIScan Executive 4 Pro — بوجهين + OCRبوجهين وOCR مدمج للكميات الكبيرة.انتساب
Brother DS-640 — ماسح محمولالماسح المحمول الكلاسيكي للمستندات.انتساب
Epson WorkForce ES-50 — ماسح متنقلالأخف للتنقل.انتساب
