كيف تجعل ملف PDF أرديًا ممسوحًا قابلًا للبحث باستخدام OCR

خط النستعليق وأهميته لعملية OCR

النستعليق خط انسيابي ذو طابع فني. فبدلًا من أن تستقر حروف الكلمة على سطر واحد مستوٍ، تنحدر مائلة من اليمين إلى اليسار، وتتراكب الحروف المتصلة وتتداخل، وتتزاحم النقاط في المسافات الصغيرة بينها. وكثيرًا ما تتكون الكلمات من عدة مجموعات منفصلة من الحروف المتصلة، لذا قد تبدو الفراغات داخل الكلمة كالفراغات بين الكلمات. وكل واحدة من هذه السمات تصعّب على محرك OCR فصل الحروف والحفاظ على نقاطها وتحديد بداية الكلمات ونهايتها. والمستندات المطبوعة بخط أردي من طراز النسخ، الذي تستخدمه بعض النماذج والمستندات الرقمية، يُتعرّف عليها عمومًا بشكل أفضل من طباعة النستعليق التقليدية. ومن المفيد أن تعرف أي خط لديك قبل الحكم على النتائج.

كيف يعمل التعرف على الأردية في VelloDoc

تستخدم أداة OCR لملفات PDF محرك Tesseract مفتوح المصدر مع بيانات اللغة الأردية الخاصة به. عندما تختار الأردية، تُرسم كل صفحة بدقة تقارب 250 نقطة لكل بوصة، ويُتعرّف على الكلمات، ثم يُوضع النص المتعرَّف عليه بشكل غير مرئي فوق الصفحة الأصلية، فتبقى الصفحة بالمظهر نفسه لكن يمكن البحث فيها والنسخ منها. وفي هذا الدليل تبدأ الأداة أعلاه والأردية مختارة مسبقًا. اختر الأردية لا العربية للمستندات الأردية: فالأردية تستخدم حروفًا لا توجد في العربية، مثل ٹ وڈ وڑ وں وے، وبيانات الأردية مبنية على الكلمات الأردية. وإذا كان في المستند الأردي كلمات إنجليزية، فأضف الإنجليزية لغةً ثانية ليُتعرّف على الكتابتين.

تجهيز المسوحات الأردية

تفاصيل النستعليق الصغيرة المتزاحمة هي أول ما يُتلفه المسح الرديء، لذا امنح المحرك أكبر قدر ممكن من الوضوح. امسح الصفحات المطبوعة بدقة 300 نقطة لكل بوصة أو أعلى بتدرج رمادي، وأبقِ الصفحات مستوية حتى لا تنحني الأسطر قرب كعب الكتاب، ونظّف زجاج الماسح. ومع الهاتف، صوّر كل صفحة من الأعلى مباشرة في إضاءة متساوية، واملأ الإطار بالورقة، وتجنب الظلال. لا تضغط المسوحات قبل التعرف: فضغط JPEG القوي يطمس النقاط والوصلات التي تميّز الحروف. شغّل OCR على أفضل نسخة لديك، ثم اضغط الملف النهائي بعد ذلك إذا احتجت إلى تصغيره.

ترتيب موثوق للخطوات

لرزمة من الصفحات الممسوحة، التسلسل الجيد هو: اجمع صور الهاتف في ملف واحد باستخدام المسح الضوئي إلى PDF، أو ابدأ من ملف PDF الذي أنتجه الماسح؛ واحذف الوجوه الخلفية الفارغة من المسح على الوجهين باستخدام حذف الصفحات الفارغة؛ وقوّم الصفحات المائلة باستخدام تقويم صفحات PDF؛ ثم شغّل OCR. التزم بهذا الترتيب، لأن أسطر الكتابة الأردية المستقيمة يُتعرّف عليها بموثوقية أكبر بكثير من الأسطر المائلة. وأخيرًا، راجع النتيجة، وصغّر حجمها عند الحاجة باستخدام ضغط PDF.

مراجعة النص الأردي المتعرَّف عليه وتحريره

ابحث في النتيجة عن بضع كلمات تراها على الصفحة. وتوقّع أن تخفق بعض عمليات البحث حتى لو كانت الكلمة موجودة، لأن حرفًا واحدًا مقروءًا خطأً يُفسد التطابق. راجع الأسماء والأرقام والتواريخ بعناية؛ فقد تستخدم المستندات الأردية الأرقام الهندية الشرقية، وقد تتفاوت طريقة التعرف عليها. ولتحرير النص، تستعيده أداة تحويل PDF إلى Word كمستند قابل للتحرير، وتحفظه أداة تحويل PDF إلى TXT كنص عادي. افتح أيًّا منهما في برنامج يدعم النص الأردي المكتوب من اليمين إلى اليسار، وخصّص وقتًا للتصحيحات. وتتعامل العارضات بشكل مختلف مع النص المكتوب من اليمين إلى اليسار في الطبقات غير المرئية، لذا إذا بدا النص المنسوخ مضطرب الترتيب، فجرّب تطبيقًا آخر.

عندما لا يكون OCR هو الحل

لم يُصمم OCR متعدد الأغراض للكتابة اليدوية، أو الخط الزخرفي، أو النسخ الكربونية الباهتة، أو الصفحات شديدة التلف، والشعر الأردي المكتوب بخطوط مزخرفة صعب بشكل خاص. ومع مواد كهذه، قد تساعدك الطبقة القابلة للبحث في العثور على الصفحة الصحيحة، لكن النص نفسه لا يُعتمد عليه. وإذا كانت الدقة حاسمة، كما في الاقتباس القانوني أو الأكاديمي، فقارن المقاطع المتعرَّف عليها بصورة الصفحة أو أعد كتابتها. ويشرح دليل ملفات PDF القابلة للبحث طبقات النص، ويتناول دليل OCR للعربية التحديات المرتبطة بالطباعة العربية.

أسئلة

أدوات لهذا الموضوع