OCR PDF: حوّل المسح الضوئي إلى نص قابل للبحث

ملف PDF الممسوح ضوئيًا ليس في الحقيقة سوى مجموعة صور: تستطيع قراءته، لكنك لا تستطيع البحث فيه ولا تحديد جملة ولا نسخ رقم منه. تقنية OCR، أي التعرف الضوئي على الحروف، تجد النص في هذه الصور وتضيفه إلى الملف كطبقة غير مرئية تحت الكلمات التي تراها. تبقى الصفحات بالشكل نفسه، لكن البحث بـ Ctrl+F والنسخ واللصق وقارئات الشاشة تعمل الآن.

يشغّل pdfdots أداة OCR PDF باستخدام Tesseract، وهو محرك مفتوح المصدر معروف، مباشرة في متصفحك. لا يُرفع مستندك أبدًا. التنزيل الوحيد هو نموذج اللغة التي تختارها (العربية أو الإنجليزية أو التركية أو الإسبانية أو البرتغالية أو الألمانية أو الفرنسية أو الصينية المبسطة أو الهندية أو الروسية)، بحجم يتراوح تقريبًا بين 10 و20 ميغابايت، ويحتفظ به متصفحك فتبدأ المرات التالية أسرع. اختيار اللغة الصحيحة مهم لأنه يساعد المحرك على التعرف على الحروف المعلّمة والكلمات الشائعة.

تعتمد النتائج على جودة المسح. الصفحات النظيفة المستقيمة جيدة الإضاءة وبدقة معقولة تعطي نتائج جيدة جدًا، أما الصور الضبابية والصفحات المائلة والحروف الصغيرة جدًا والخطوط غير المألوفة فتؤدي إلى أخطاء أكثر، والكتابة اليدوية لا يُتعرف عليها بشكل موثوق. تُعاد رسم كل صفحة بدقة 200 DPI تقريبًا قبل التعرف، لذلك قد يكون الملف النهائي أكبر من الأصل؛ مرّره عبر أداة ضغط PDF بعد ذلك إذا لزم الأمر.

يستغرق التعرف بضع ثوانٍ لكل صفحة على حاسوب عادي، فتحتاج المستندات الطويلة إلى بعض الصبر، والهواتف أبطأ. إذا كنت تحتاج جزءًا فقط من مسح طويل فاستخرج تلك الصفحات أولًا. وبعد أن يحصل ملفك على طبقة نص، يصبح تحويله إلى Excel أو Word أكثر موثوقية بكثير.