تحويل PDF الممسوح ضوئيًا إلى نص

Q: هل يمكن استخراج النص من PDF ممسوح ضوئيًا لصفحة مطبوعة بالآلة الكاتبة أو من كتاب قديم؟

عادةً نعم. حروف الآلة الكاتبة والكتب حروف مطبوعة منتظمة، و**تقويم الصفحات** يصحح الميل الذي ينتج غالبًا عن مسح كتاب مجلّد. والصفحات الباهتة جدًا تُقرأ بشكل أفضل عند تفعيل **تحسين التباين**.

Q: لماذا يخرج نص الصفحة ذات العمودين مختلطًا؟

تُفصل الأعمدة عن بعضها عندما يكون **تخطيط النص** على الحفاظ على التخطيط، وهو الإعداد الافتراضي هنا. وإذا استمر تناوب الأسطر من العمودين، فهذا يعني أن المسافة بينهما في الصفحة الممسوحة ضيقة؛ ومسح أنظف لصفحات مستقيمة يحل المشكلة عادةً.

إذا لم تستطع تحديد كلمة واحدة في ملف PDF فهو ملف ممسوح ضوئيًا: مجموعة من صور الصفحات بلا نص بداخلها. ارفعه هنا وسيقرأ OCR كل صفحة ويحوّلها إلى نص عادي يمكنك نسخه والبحث فيه وتعديله.

أو أفلت ملفات PDF, JPG, JPEG … هنا ·

الحد الأقصى 95 MB لكل ملف· حتى 20 ملفًا· تُحذف بعد 30 دقيقة

الإخراج

لغة المستند

الإخراج

نوع النص

تُعالج الملفات على خوادمنا وتُحذف بعد 30 دقيقة.

طريقة استخدام هذه الأداة

1
ارفع ملف PDF الممسوح ضوئيًا
أضف ملف PDF، أو حتى 20 ملفًا، بحجم يصل إلى 95 MB لكل ملف. تعمل أيضًا الصور الممسوحة بصيغة TIFF متعددة الصفحات والصور ذات الصفحة الواحدة.
2
حدّد اللغة والصفحات
لغة المستند هي الإنجليزية، والإخراج هو نص عادي (.txt). غيّر اللغة للمستندات الأخرى، ومن الإعدادات المتقدمة استخدم الصفحات لقراءة نطاق محدد فقط من ملف طويل.
3
التعرف على النص
اضغط التعرف على النص. تُقوَّم الصفحات وتُعدَّل لتصبح قائمة أولًا، ثم تُقرأ بالترتيب في ملف نصي واحد.

PDF الممسوح ضوئيًا مقابل PDF القابل للبحث: لماذا لا يوجد نص

PDF صوري فقطPDF ممسوح ضوئيًا · PDF غير قابل للبحث · PDF مسطّح: ملف PDF تُخزَّن صفحاته على شكل صور، وينتج عادةً عن ماسح ضوئي أو وظيفة المسح إلى البريد في آلة التصوير أو تطبيق مسح على الهاتف. يبدو كمستند، لكن لا توجد بداخله رموز حروف، فلا يمكن تحديد شيء منه أو البحث فيه أو قراءته بصوت عالٍ.

ملف PDF عادي مُصدَّر من Word أو من متصفح يحتوي على كائنات نصية: كل كلمة مخزنة كحروف مع خط وموضع، ولذلك يعمل البحث والنسخ. أما الماسح الضوئي فيتجاوز ذلك كله ويحفظ صورة لكل صفحة. وبالنسبة للحاسوب، فالصفحة التي عليها عقدك هي نوع البيانات نفسه الذي تمثله صورة قطة.

يعيد OCR بناء الطبقة المفقودة. تُنظَّف صورة الصفحة، وتُحدَّد الأسطر والكلمات، ثم تُطابَق شكل كل حرف مع أبجدية لغة المستند المحددة. تعيد هذه الصفحة النتيجة نصًا عاديًا. وملف PDF القابل للبحث هو النتيجة الشائعة الأخرى: يبقى المسح ظاهرًا وتُضاف الكلمات المعروفة خلفه كنص غير مرئي، وهو نمط عرض يسمح به معيار PDF، ISO 32000، منذ البداية.

برنامج Adobe Acrobat Reader المجاني يعرض الملف الممسوح لكنه لا ينفذ OCR؛ فالتعرف جزء من إصدارات Acrobat المدفوعة. ويُعدّ المحوّل طريقًا مختصرًا حين تحتاج الكلمات مرة واحدة ولا تريد اشتراكًا آخر. وإذا ظلت نتائج مسحك ضعيفة، فإن دليلنا عن كيفية مسح المستندات إلى PDF يشرح إعدادات الماسح والهاتف.

دقة المسح الضوئي لاستخراج النص من PDF ممسوح ضوئيًا

Size	Pixels	cm	in	DPI	Fits
Letter	1700 × 2200	21.59 × 27.94	8.5 × 11	200	للطباعة الكبيرة النظيفة فقط؛ يتم تخمين النص الصغير
Letter	2550 × 3300	21.59 × 27.94	8.5 × 11	300	المعيار لـ OCR للصفحات المطبوعة
A4	2480 × 3508	21 × 29.7	8.27 × 11.69	300	التفاصيل نفسها على ورق A4
A4	3307 × 4677	21 × 29.7	8.27 × 11.69	400	الحواشي والخط الصغير وصفحات الآلة الكاتبة القديمة

عندما تفشل نتيجة تحويل PDF الممسوح ضوئيًا إلى نص

تظهر الكلمات كأنها رموز بلا معنى في الصفحة كلها
على الأرجح أن الصفحة بلغة أو كتابة أخرى. اضبط لغة المستند لتطابقها، وأضف التعرّف أيضًا على للغة ثانية في الصفحة نفسها.
الأسطر مقطوعة في منتصف الجملة والكلمات تنتهي بشرطات
هذا يتبع فواصل الأسطر المطبوعة. اختر تدفق نص عادي ضمن تخطيط النص للحصول على كتلة نص متصلة واحدة؛ أما الشرطات المتبقية فتحتاج إلى بحث واستبدال سريع.
بعض الصفحات غير موجودة في الملف النصي
تأكد من أن الصفحات على كل الصفحات ضمن الإعدادات المتقدمة. نطاق مثل 1-3 يحدّ التعرف عمدًا.

PDF

صيغة المستندات المحمولة

أنشأت Adobe صيغة PDF عام 1993 وأصبحت المعيار المفتوح ISO 32000 عام 2008. تثبّت النص والخطوط والصور والتخطيط ليظهر المستند بالشكل نفسه على كل شاشة وطابعة. يمكن أن تحتوي ملفات PDF على نماذج وتواقيع وروابط ومرفقات ونص قابل للبحث، ويُستخدم النوع PDF/A للأرشفة طويلة الأمد. التخطيط الثابت يجعل تحرير PDF صعبًا، وملفات PDF الممسوحة ضوئيًا تحتوي على صور فقط ما لم يُطبَّق OCR. يفتحها كل متصفح ونظام تشغيل.

الضغط: –
الشفافية: نعم
الحركة: لا
سنة الظهور: 1993 · Adobe

محول PDF

TXT

نص عادي

ملف TXT لا يحتوي إلا على أحرف عادية دون تنسيق أو خطوط أو صور أو تخطيط. تُرمَّز ملفات النص الحديثة عادةً بـ UTF-8 الذي يشمل كل اللغات، وقد تستخدم الملفات الأقدم ترميزات أخرى فتظهر أحرف مشوّهة. النص العادي صغير جدًا ولا يتقادم ويُفتح على كل جهاز من الهواتف إلى الخوادم. لا يحتمل نصًا غامقًا ولا جداول ولا صورًا، فتُعبَّر البنية بالمسافات أو بترميز بسيط.

الضغط: –
الشفافية: –
الحركة: –
سنة الظهور: –

محول TXT

يخزّن ملف PDF الممسوح ضوئيًا صور الصفحات، لذلك لا يمكن نسخ كلماته أو البحث فيها أو فهرستها؛ والتعرف عليها في ملف TXT يحوّل المسح إلى نص يعمل في المحرر والمترجم ومربع البحث.

أسئلة حول تحويل PDF الممسوح ضوئيًا إلى نص

كيف أعرف ما إذا كان ملف PDF ممسوحًا ضوئيًا أم يحتوي على نص بالفعل؟

حاول تحديد جملة أو البحث عن كلمة بالضغط على Ctrl+F أو Command+F. إذا حدّد المؤشر الصفحة كلها كأنها صورة ولم يجد البحث شيئًا، فهو ملف ممسوح ضوئيًا يحتوي على صور فقط ويحتاج إلى OCR. أما إذا تم تظليل الكلمات بشكل طبيعي، فالنص موجود بالفعل، وتحويل PDF إلى TXT يستخرجه بدقة ودون خطوة تعرّف.

أيهما أفضل: نص عادي أم PDF قابل للبحث؟

النص العادي مخصص لإعادة استخدام الكلمات: الاقتباس والترجمة واللصق في قاعدة بيانات أو رسالة بريد. أما ملف PDF القابل للبحث فيحافظ على مظهر الصفحة الممسوحة ويخفي النص خلفها، وهو مناسب للأرشيف والعقود. وإذا أردت الخيار الثاني، فإن OCR لملفات PDF مُعدّ لذلك.

ما دقة المسح الضوئي التي تعطي أفضل نص من ملف PDF؟

300 DPI للصفحات المطبوعة العادية. يذكر توثيق Tesseract أن الدقة تتراجع مع النص الأصغر من نحو 10 pt عند 300 DPI، لذلك تستفيد الحواشي والخط الصغير من 400 DPI. أما 600 DPI فنادرًا ما يفيد OCR ويجعل ملف PDF أكبر بعدة أضعاف.

هل يمكن استخراج النص من PDF ممسوح ضوئيًا لصفحة مطبوعة بالآلة الكاتبة أو من كتاب قديم؟

عادةً نعم. حروف الآلة الكاتبة والكتب حروف مطبوعة منتظمة، وتقويم الصفحات يصحح الميل الذي ينتج غالبًا عن مسح كتاب مجلّد. والصفحات الباهتة جدًا تُقرأ بشكل أفضل عند تفعيل تحسين التباين.

لماذا يخرج نص الصفحة ذات العمودين مختلطًا؟

تُفصل الأعمدة عن بعضها عندما يكون تخطيط النص على الحفاظ على التخطيط، وهو الإعداد الافتراضي هنا. وإذا استمر تناوب الأسطر من العمودين، فهذا يعني أن المسافة بينهما في الصفحة الممسوحة ضيقة؛ ومسح أنظف لصفحات مستقيمة يحل المشكلة عادةً.