جعل الأرشيف الممسوح ضوئيًا قابلًا للبحث: إضافة طبقة نصية إلى PDF بواسطة OCR

التكلفة الحقيقية لمجلد مليء بالورق الممسوح ضوئيًا

تخيّل غرفة أرشيف في مؤسسة، أو ملفات قضايا محامٍ تمتد لـ 15 عامًا، أو سجلات محاسبية لشركة عائلية تعود إلى التسعينيات. في مرحلة ما قال أحدهم "لنُرقمن هذه"، ومُرت المستندات عبر الماسح الضوئي، ونتج عنها مئات، ربما آلاف ملفات PDF. المشكلة أن ملفات PDF هذه هي في الواقع كومة من الصور. لا تحتوي على حرف واحد قابل للبحث — بل صورة بكسل-بكسل للصفحة، تمامًا كملف JPEG.

لنجسّد ما يعنيه هذا الوضع عمليًا بمثال: تبحث في أرشيف التخطيط العمراني لبلدية عن ترخيص يعود إلى عام 1987. لديك مجموعة من ملفات PDF الممسوحة ضوئيًا حجمها 40 جيجابايت وتضم 12,000 صفحة. عندما تضغط Ctrl+F وتكتب "1987" أو رقم القطعة، لا تظهر أي نتيجة، لأن الحاسوب لا يعرف أن هناك كتابة في تلك الصفحة — فهو يرى فقط صورة مكوّنة من نقاط بالأبيض والأسود. الحل الوحيد هو فتح الصفحات واحدة تلو الأخرى ومسحها بالعين. هذا وضع يقوّض الهدف الأساسي من جهد الأرشفة (سرعة الوصول).

أداة إضافة طبقة OCR (التعرف الضوئي على الحروف) تسدّ هذه الفجوة تمامًا: دون تغيير مظهر الصفحة الممسوحة ضوئيًا إطلاقًا، تضع تحتها طبقة نصية غير مرئية، قابلة للبحث والنسخ.

ما الذي تفعله تقنية OCR فعليًا

التعرف الضوئي على الحروف هو عملية تعرّف على الأنماط تحلل الأشكال الموجودة في صورة وتحوّلها إلى حروف وأرقام وعلامات ترقيم. تعمل العملية تقريبًا على النحو التالي:

1. المعالجة المسبقة للصورة. تُنظَّف الصفحة الممسوحة ضوئيًا أولًا: يُصحَّح الميل (إذا وُضع المستند بشكل مائل في الماسح الضوئي)، يُزاد التباين، وتُقلَّل الضوضاء (آثار غبار الورق، ظلال بقع القهوة، خطوط الماسح الضوئي) قدر الإمكان. إذا كانت هذه الخطوة رديئة الجودة، فإن كل خطوة لاحقة ستكون رديئة أيضًا.

2. تحليل التخطيط. يقسّم البرنامج الصفحة إلى مناطق: عنوان، نص أساسي، جدول، حاشية، رقم صفحة. يجب معالجة صفحة جريدة متعددة الأعمدة وعريضة أحادية العمود بشكل مختلف؛ وإلا يختل ترتيب النص وتظهر نتائج غير قابلة للقراءة مثل "القفز إلى العمود الأيمن قبل انتهاء العمود الأيسر".

3. التعرف على الأحرف. تتعرف محركات OCR الحديثة على كل حرف ليس بالطريقة القديمة عبر مطابقة القوالب، بل بشبكات عصبية مدرَّبة. بفضل هذا يمكنها قراءة تغيّرات الخطوط القريبة من خط اليد، ومطبوعات الآلة الكاتبة القديمة، والمسوحات الضبابية قليلًا، والصور منخفضة الدقة بدقة عالية إلى حد كبير.

4. تضمين طبقة النص في PDF. هذه هي النقطة الحاسمة: لا تكتب الأداة النص المتعرَّف عليه فوق الصفحة بشكل مرئي. تبقى الصورة الأصلية كما هي — لا يتغيّر لون الصفحة ولا نقشها ولا توقيعها ولا ختمها ولا قِدمها إطلاقًا. يُضمَّن النص المتعرَّف عليه كطبقة شفافة (invisible text layer) محاذية تمامًا لإحداثيات الصورة داخل ملف PDF. النتيجة: عند النظر بالعين، ستظل ترى ورقة قديمة ممسوحة ضوئيًا، لكن عندما تبحث بـ Ctrl+F أو تحدد النص وتنسخه، يجد النظام الأحرف الموجودة في تلك الطبقة الشفافة.

تكمن أهمية هذا النهج في أن الأصالة البصرية في مستندات الأرشيف تحمل غالبًا قيمة إثباتية. تحويل صورة سند ملكية، أو حكم محكمة، أو رسالة تاريخية إلى إعادة كتابة رقمية "نظيفة" قد يجعل أصالة المستند موضع جدل. لا تحمل طبقة OCR هذا الخطر لأنها لا تغيّر الصورة، بل تضيف إليها فقط فهرس بحث.

لماذا تُحتاج هذه الأداة في سيناريو مسح الأرشيف

تظهر قيمة OCR في مشروع رقمنة واسع النطاق في ثلاث نقاط:

سرعة البحث والاكتشاف. في أرشيف من 12,000 صفحة، قد يستغرق العثور على الصفحة التي تحتوي على اسم أو تاريخ أو رقم ملف معين ساعات، بل أيامًا دون طبقة OCR. بعد إضافة طبقة النص، يستغرق هذا العمل ثوانٍ. في الأرشيفات المؤسسية، ومكاتب المحاماة، والأبحاث الأكاديمية، ودراسات الأنساب، يُعد هذا الفارق عتبة تحدد ما إذا كان المشروع قابلًا للتنفيذ أصلًا.

سهولة الوصول. لا يمكن لمستخدم كفيف يستخدم قارئ شاشة الاستماع إلى ملف PDF مكوّن من صورة فقط بأي شكل من الأشكال — لأنه لا يوجد "نص" ليُقرأ، بل صورة فقط. عند إضافة طبقة OCR، يصبح بإمكان برامج قراءة الشاشة قراءة الصفحة صوتيًا. قد يكون هذا أيضًا متطلبًا قانونيًا للجهات الحكومية والأرشيفات المؤسسية.

إعادة استخدام النص. لا يمكن أخذ جملة واحدة من عقد ممسوح ضوئيًا ونقلها إلى مستند آخر في ملف PDF بدون OCR — يجب إعادة كتابتها يدويًا. إذا وُجدت طبقة نصية، يمكنك تحديدها ونسخها مباشرة. هذا يوفر الوقت خاصة للباحثين ووحدات الكتابة المؤسسية المضطرين للإشارة إلى تقارير قديمة في مستندات حديثة.

على نطاق صغير، لا يُعد OCR ضروريًا لمسح مستند واحد بين الحين والآخر. لكن إذا كنت ترقمن أرشيفًا بشكل منهجي، فإن المسح دون طبقة OCR يُعد عملًا ناقصًا — تبقى الملفات على القرص لكنها عمليًا "لا يمكن إيجادها".

حدود الدقة: توقعات واقعية

OCR ليست تقنية مثالية، ويجب قول ذلك بوضوح. في مسح نظيف، مطبوع آليًا وبدقة عالية، تكون نسبة الدقة عالية جدًا. لكن هامش الخطأ يزداد في الحالات التالية:

• المستندات المكتوبة بخط اليد (خاصة الخط المتصل القديم) يصعب التعرف عليها أكثر بكثير من الطباعة الآلية.
• المسوحات منخفضة الدقة أو الضبابية (خاصة المستندات المصوَّرة نسخة فوق نسخة قديمًا).
• الحبر الباهت، الورق الممزق، بقع الحبر، النصوص المكتوبة فوق أختام.
• المستندات ذات بنى الجداول المعقدة والأعمدة المتداخلة.
• قد تُتعرَّف الأحرف الخاصة باللغة التركية (ı، ğ، ş، ç، ö، ü) بشكل خاطئ أحيانًا في المسوحات منخفضة الجودة؛ لذلك يؤثر استخدام محرك OCR يدعم اللغة التركية على النتيجة بشكل مباشر.

لهذا السبب، يُنصح في المستندات ذات الأهمية الحرجة (مثل دليل سيُقدَّم للمحكمة، أو طلب رسمي) بالتحقق البصري من النص الناتج عن OCR، حتى لو كان يُستخدم لأغراض البحث. توفر طبقة OCR "سهولة البحث"؛ لكنها لا تضمن "نسخًا خاليًا من الأخطاء".

ماذا يعني هذا من ناحية الأمان والخصوصية

غالبًا ما تحمل مستندات الأرشيف الممسوحة ضوئيًا محتوى حساسًا: بيانات هوية، توقيعات، سجلات مالية، بيانات صحية، تفاصيل قانونية. النقاط الواجب الانتباه إليها أثناء عملية OCR هي كالتالي:

أين تبقى البيانات أثناء المعالجة. يجب معالجة الملف أثناء تحليل OCR للصورة وتحويلها إلى نص. يُعد الفرق بين إجراء هذه العملية على جانب الخادم أو محليًا في متصفحك أمرًا مهمًا: يخضع مستند الأرشيف المرفوع إلى خادم لسياسات التخزين والحذف الخاصة بذلك الخادم. في عمليات مسح الأرشيف الجماعية والحساسة، يُتوقع وضوح متى تُحذف الملفات بعد المعالجة، أو ما إذا كانت تُحذف أصلًا.

طبقة النص نفسها بيانات أيضًا. نقطة يجب عدم نسيانها: طبقة النص غير المرئية المُضافة بواسطة OCR أصبحت الآن جزءًا من ملف PDF، وعند مشاركة الملف، تُشارك تلك الطبقة النصية أيضًا. إذا كنت تفكر في مشاركة مستند لأنه "مجرد صورة، إذن فهو آمن"، يصبح هذا الافتراض غير صحيح بعد تطبيق OCR — لأن النص بداخله أصبح الآن قابلًا للنسخ والبحث. بعد تطبيق OCR على مستند أرشيف يحتوي على معلومات حساسة، يجب التأكد قبل تسليمه للخارج من إزالة الأقسام ذات الصلة بشكل دائم (على مستوى الصورة، وليس مجرد شطبها) إن لزم الأمر.

التحكم في الوصول في سير العمل الجماعي. في مشروع أرشيف يعالج مئات المستندات في آن واحد، تُعد الأسئلة حول من يمكنه الوصول إلى الملفات في طابور المعالجة، وما إذا كانت مشفّرة أثناء النقل (مثل HTTPS)، وما إذا كانت النسخ المؤقتة تُنظَّف بعد انتهاء العمل، أسئلة يجب طرحها من ناحية حماية البيانات المؤسسية.

في النهاية، يجعل OCR الأرشيف أكثر سهولة في الوصول بينما يجعله في الوقت نفسه أكثر قابلية للمشاركة. التفكير في هذين الجانبين معًا جزء من ممارسة رقمنة مسؤولة، خاصة في الأرشيفات المؤسسية والقانونية.

كيف يبدو سير عمل عملي لمسح الأرشيف

لنلخّص من خلال سيناريو واقعي: أرشيف مكتبة أو مؤسسة يقوم برقمنة محاضر ممسوحة ضوئيًا تعود إلى الفترة بين 1970 و2000.

1. تُمسح المستندات أولًا بدقة قياسية (عادة حوالي 300 نقطة بالبوصة، كافية لوضوح النص). الدقة المنخفضة جدًا تقلل من دقة OCR مباشرة.
2. تُمرَّر ملفات PDF الممسوحة ضوئيًا عبر أداة OCR؛ ويُختار إعداد اللغة التركية (وأي لغات أخرى واردة في المستند إن وُجدت).
3. تُحصَّل كمخرجات نسخة PDF متطابقة بصريًا مع الأصل تمامًا، لكنها تحتوي الآن على طبقة نص قابلة للبحث.
4. يُفتح عدد من المستندات عيّنة ويُتحقَّق بصريًا من دقة OCR؛ إذا وُجد نمط خطأ منهجي (مثلًا إذا كان خط معين أو نوع ختم معين يُقرأ دائمًا بشكل خاطئ)، تُراجَع جودة المسح المصدر.
5. تُضاف المستندات إلى نظام الأرشفة كمحتوى يمكن الآن لمحرك البحث فهرسته.

في نهاية هذه الخطوات، يصبح مستند كان "العثور عليه يستغرق ساعات" في السابق، قابلًا للوصول إليه في ثوانٍ — دون التضحية بأي شيء من المظهر الفعلي للأرشيف.

الخلاصة

لا "يعيد OCR كتابة" الصفحة الممسوحة ضوئيًا؛ بل يضيف إليها فهرسًا غير مرئي. هذا التمييز مهم خاصة بالنسبة للمستندات ذات الطابع الأرشيفي لأنه يحافظ على الأصالة وفي الوقت نفسه يمنح قابلية استخدام عملية. عند استخدامه بشكل صحيح — بمسوحات مصدر بدقة معقولة، وإعداد لغة صحيح، والتحقق من النتائج بشكل عيّني — يمكنه تحويل أرشيف كبير من عملية مسح يدوي تستغرق أشهرًا إلى تجربة بحث تستغرق ثوانٍ. في المقابل، يستلزم هذا توخي قدر أكبر من الحذر بشأن كيفية مشاركة المحتوى الذي أصبح الآن قابلًا للبحث والنسخ.