جعل PDF الممسوح ضوئيًا قابلًا للبحث: كيف تعمل OCR؟

إذا واجهت وضعًا لا يمكنك فيه تحديد النص داخل ملف PDF ونسخه عند فتحه، ولا تجد أي نتيجة عند البحث بـ Ctrl+F، فإن الملف الذي بحوزتك على الأرجح مستند "ممسوح ضوئيًا". أي أن PDF هذا ليس نصًا في الواقع، بل صورة — يمكنك تخيله كصورة فوتوغرافية للصفحة. في هذا المقال، نتناول بالتفصيل لماذا تنشأ هذه المشكلة، وكيف تحلها تقنية OCR، وماذا يحدث لبياناتك خلال هذه العملية.

ما هو PDF الممسوح ضوئيًا، وما الفرق بينه وبين PDF العادي؟

المستند الذي تكتبه في معالج نصوص وتحفظه بصيغة PDF يحتوي في الخلفية على طبقة نصية تحدد الأحرف وأنواع الخطوط ومواضعها. عندما يفتح الحاسوب هذا المستند، يتعرف على كل حرف على حدة مثل "A" و"B" و"1". لذلك يمكنك تحديد النص ونسخه والبحث فيه.

أما المستند الممسوح ضوئيًا فيعمل بشكل مختلف. تُضمَّن الورقة التي مرّت عبر ماسح ضوئي أو كاميرا هاتف داخل PDF كملف صورة. من منظور الحاسوب، هذه الصفحة صورة فوتوغرافية توجد عليها أشكال حروف — تمامًا كصورة منظر طبيعي. حتى لو رأيت بعينك أن الصفحة مكتوب عليها "فاتورة" أو "عقد" أو اسم ما، فإن الحاسوب يدرك ذلك فقط كصورة مكوّنة من بكسلات. وبالتالي، لا يعمل أي من البحث في النص، أو النسخ، أو دعم قارئ الشاشة.

يظهر هذا الوضع بكثرة خاصة في الأوراق الرسمية المؤرشفة، والعقود القديمة، ووثائق الهوية الممسوحة ضوئيًا، ومواد المكتبات، وكل نوع من المستندات المنقولة من الورق إلى الرقمي.

ماذا تفعل تقنية OCR؟

OCR (Optical Character Recognition — التعرف الضوئي على الحروف) هي تقنية تحلل أشكال الحروف والأرقام على صورة وتحوّلها إلى نص حقيقي قابل للقراءة آليًا. تعمل العملية تقريبًا على النحو التالي:

1. المعالجة المسبقة للصورة: تُنظَّف الصفحة الممسوحة ضوئيًا — يُصحَّح الميل، يُضبط التباين، تُقلَّل الضوضاء.
2. اكتشاف الأحرف: تُحدَّد مناطق النص والسطور وحدود الكلمات على الصفحة.
3. التعرف: يُقارَن شكل كل حرف بنموذج مدرَّب لتخمين الحرف أو الرقم الذي يمثله.
4. إنشاء طبقة النص: يُوضَع النص المتعرَّف عليه فوق الصورة الأصلية كطبقة غير مرئية (شفافة).

هذه الخطوة الأخيرة بالغة الأهمية: لا تغيّر عملية OCR مظهر الصفحة. يرى المستخدم الصورة الأصلية الممسوحة ضوئيًا كما هي، لكن يوجد الآن خلف/فوق تلك الصورة طبقة نصية قابلة للتحديد والبحث والنسخ. يُطلق على هذا النهج عادة "طبقة النص الخفية" أو "PDF قابل للبحث".

لماذا دعم الأحرف غير اللاتينية مهم؟

تعمل محركات OCR بناءً على اللغة، ولكل لغة مجموعة أحرف وربطات ونماذج لغوية خاصة بها. غالبًا ما يفشل محرك OCR ذو الغرض العام (المُركَّز على الإنجليزية فقط) في التعرف الصحيح على أحرف مثل ç وğ وı وö وş وü في النصوص التركية. فمثلًا، قد يظهر حرف "ş" كـ"s"، أو يُتجاهَل حرف "ğ" تمامًا، أو يُخلَط بين "i" وı".

لذلك يجب أن يتعرف محرك OCR على مجموعة الأحرف غير اللاتينية والنموذج اللغوي التركي بالنسبة للمستندات ذات المحتوى التركي. تُنتج عملية OCR تركية مُهيّأة بشكل صحيح نتائج أكثر دقة بكثير، مع مراعاة الأحرف غير اللاتينية الحساسة لحالة الأحرف الكبيرة/الصغيرة وبِنى الكلمات الخاصة بالتركية. هذا حيوي بشكل خاص لوظيفة البحث — يجب ألا يواجه من يبحث عن كلمة "öğrenci" نتيجة مثل "ogrenci" أو نتيجة بأحرف تالفة.

أي تقنية تُستخدم: في المتصفح أم على الخادم؟

عمليات OCR ثقيلة نسبيًا من ناحية الحوسبة؛ تتطلب خطوات معالجة الصور والتعرف على الأحرف قدرة معالجة كبيرة. يُجري جزء من الأدوات المتوفرة عبر الإنترنت هذه العملية بالكامل على جانب الخادم: يُرفع ملفك، يُعالَج على الخادم، وتُرسَل النتيجة إليك. بينما يُفضّل جزء آخر تشغيل العملية مباشرة في متصفحك، أي على جهازك، باستخدام تقنية WebAssembly (WASM).

لكل من النهجين مزاياه الخاصة. عادة ما تعطي المعالجة على جانب الخادم نتيجة أسرع في المستندات الكبيرة وكثيرة الصفحات لأنها يمكن أن تستخدم عتادًا أقوى غالبًا. أما المعالجة القائمة على المتصفح (WASM) فقد تعني عدم مغادرة الملف لجهازك إطلاقًا — وهذه طريقة مفضّلة من ناحية الخصوصية خاصة عندما يتعلق الأمر بمستندات حساسة. قد تختلف الطريقة المستخدمة حسب البنية التحتية للأداة المستخدمة ونمط المعالجة المُحسَّن لذلك النوع من المستندات.

متى ولماذا تحتاج إلى OCR؟

أكثر السيناريوهات شيوعًا التي تحتاج فيها إلى OCR هي:

• مسح الأرشيف: رقمنت أوراقًا قديمة لكن لم يعد بإمكانك البحث بداخلها.
• الحاجة إلى النسخ واللصق: تحتاج إلى نقل بند معين من عقد ممسوح ضوئيًا إلى مستند آخر.
• سهولة الوصول: يحتاج المستند إلى أن يكون قابلًا للقراءة لمستخدمي ضعاف البصر الذين يستخدمون قارئ الشاشة؛ لا يمكن لملفات PDF التي هي مجرد صور أن تُدرَك من قِبل قارئات الشاشة.
• تحليل النص وإدارة الأرشيف: تحتاج إلى البحث بكلمة مفتاحية بين مئات المستندات الممسوحة ضوئيًا، أو تصنيف المستندات.
• التحضير قبل التحرير: تحتاج إلى استخراج محتوى المستند كنص قبل تحريره.

النقطة المشتركة في كل هذه الحالات هي: الشكل البصري للمستند موجود لديك بالفعل، والناقص هو أن يصبح "قابلًا للقراءة" آليًا.

ماذا يعني هذا من ناحية الأمان والخصوصية؟

غالبًا ما تحمل المستندات الممسوحة ضوئيًا محتوى حساسًا مثل بيانات الهوية، والتوقيع، والختم الرسمي، والبيانات المالية. لذلك هناك بعض النقاط التي يجب الانتباه إليها عند اختيار أداة OCR:

• إلى أين يذهب الملف: إذا كانت المعالجة تتم على الخادم، فهذا يعني أن ملفك يُرفع إلى خادم. في هذه الحالة، من المهم معرفة كم من الوقت تحتفظ الأداة بالملفات، وما إذا كانت تحذفها بعد المعالجة.
• التشفير: يجب أن يكون تشفير الاتصال (HTTPS) أثناء النقل (الرفع والتنزيل) توقعًا أدنى.
• خيار المعالجة المحلية: إن أمكن، وإذا كان المستند حساسًا بشكل خاص، فإن تفضيل خيارات المعالجة القائمة على المتصفح التي لا يغادر فيها الملف الجهاز إطلاقًا يوفر ضمانًا إضافيًا.

بشكل عام، توجد في سوق أدوات المستندات عبر الإنترنت حلول قائمة على الخادم وحلول قائمة على المتصفح جنبًا إلى جنب؛ والمهم بالنسبة للمستخدم هو أن تُوضَّح الطريقة المستخدمة بشكل واضح وأن يتمكن من اتخاذ قرار واعٍ بناءً على ذلك.

هل تكون نتيجة OCR مثالية دائمًا؟

لا — ومعرفة ذلك مهمة لتوقعات واقعية. تختلف دقة OCR باختلاف دقة المسح الأصلي، وميل الصفحة، ونوع الخط، وما إذا كان خط يد أم لا، ووضوح النص العام. يعطي مستند ممسوح ضوئيًا بدقة عالية ومستقيم وواضح نتيجة شبه مثالية، بينما قد تؤدي صفحة ممسوحة بجودة منخفضة أو مائلة ومليئة بالضوضاء إلى تعرف خاطئ على الأحرف. عادة ما تكون النصوص المكتوبة بخط اليد أكثر تحديًا لمحركات OCR القياسية. لذلك، من الممارسات الجيدة دائمًا مراجعة النص بصريًا بعد OCR في المستندات ذات الأهمية الحرجة.

ملخص

OCR تقنية تضيف طبقة نصية قابلة للبحث خلف PDF الممسوح ضوئيًا دون الإخلال بحالته المرئية. بالنسبة للمستندات التركية، فإن التهيئة الصحيحة لدعم اللغة في هذه العملية تؤثر بشكل مباشر على قابلية استخدام النتيجة. معرفة ما إذا كانت العملية تتم على الخادم أو على جهازك تساعدك على توضيح تفضيلاتك المتعلقة بالخصوصية، خاصة عند التعامل مع مستندات حساسة.