عن أداة استخراج نص من PDF (OCR)
بعض ملفات PDF لا تحتوي نصاً حقيقياً، بل صوراً لصفحات التُقطت بماسح ضوئي أو بكاميرا الهاتف. تعرف ذلك عندما تحاول تحديد كلمة بالمؤشر فلا يُحدَّد شيء، أو تبحث داخل الملف فلا تجد نتيجة. هذه الأداة تقرأ تلك الصفحات بتقنية التعرف الضوئي على الحروف (OCR)، فتحوّل الحروف الظاهرة في الصورة إلى نص عادي يمكنك نسخه وتعديله والبحث فيه. تختار لغة المستند: الإنجليزية أو العربية أو الاثنتين معاً، ثم تعالج الأداة صفحات الملف كلها بالترتيب وتضع بين كل صفحة وأخرى فاصلاً مثل «--- صفحة 2 ---».
تفيد الأداة الطالب الذي صوّر مذكرات مطبوعة، والموظف الذي يحتاج اقتباس بند من عقد مؤرشف، والباحث الذي يعمل على كتاب قديم ممسوح. يعمل محرك Tesseract مفتوح المصدر داخل متصفحك: تُرسم كل صفحة صورةً بدقة مضاعفة ثم يُقرأ نصها على جهازك. في أول استخدام يُحمَّل المحرك وبيانات اللغة من الإنترنت، لذلك يستغرق التشغيل الأول وقتاً أطول، أما ملفك فلا يغادر جهازك.
لماذا تستخدم هذه الأداة؟
- تقرأ ملفات PDF المصورة التي لا تستطيع أدوات النسخ العادية التعامل معها.
- ثلاثة خيارات للغة: الإنجليزية، والعربية، والمزيج بينهما للمستندات المختلطة.
- تعالج كل الصفحات بالترتيب مع فاصل واضح يبيّن رقم كل صفحة في النتيجة.
- شريط تقدم ورسالة توضح الصفحة الجاري قراءتها، فتعرف كم بقي في الملفات الطويلة.
- نسخ النص بضغطة أو تحميله كملف extracted-text.txt.
- المعالجة على جهازك، فتبقى العقود والمستندات الشخصية خاصة بك.
طريقة الاستخدام
ارفع ملف PDF
اسحب الملف إلى مربع «اسحب ملف PDF هنا» أو اضغط عليه واختره من جهازك. تقبل الأداة ملفاً واحداً في كل مرة.
اختر لغة النص
من قائمة «لغة النص» اختر إنجليزي أو عربي أو إنجليزي + عربي بحسب محتوى المستند. اختيار لغة واحدة أسرع إذا كان المستند بلغة واحدة.
ابدأ الاستخراج
اضغط «استخراج النص». تُحمَّل مكتبة PDF ثم محرك OCR، وبعدها تظهر رسالة مثل «جاري التعرف على الصفحة 3 من 10» مع شريط التقدم.
راجع النتيجة
يظهر النص في مربع أسفل الأداة مقسّماً حسب الصفحات. راجع الأرقام والأسماء خاصة، لأن التعرف الآلي قد يخطئ في بعض الحروف.
انسخ أو حمّل
اضغط «نسخ النص» لنقله إلى الحافظة، أو «تحميل كملف .txt» لحفظه ملفاً نصياً يمكن فتحه في أي محرر.
أمثلة عملية
عقد إيجار ممسوح
عقد من 4 صفحات صوّره المكتب العقاري بالماسح الضوئي. تختار «عربي» وتستخرج النص، ثم تنسخ بند مدة الإيجار من الصفحة 2 إلى رسالة بريد بدل إعادة كتابته.
فصل من كتاب قديم
ملف PDF من 30 صفحة لكتاب مطبوع قبل عقود. تستخرج النص لتبحث فيه عن مصطلح معين وتعدّ ملخصاً، مع العلم أن المعالجة قد تستغرق عدة دقائق لأن كل صفحة تُقرأ على جهازك.
فاتورة مورد بالإنجليزية
فاتورة من صفحة واحدة أرسلها مورد كصورة داخل PDF. تختار «إنجليزي» فتحصل على أسماء البنود والمبالغ نصاً تنسخه إلى جدول المصروفات، ثم تطابق الأرقام مع الأصل.
نشرة ثنائية اللغة
تعميم رسمي فيه عنوان عربي وفقرات إنجليزية. خيار «إنجليزي + عربي» يجعل المحرك يبحث عن الحروف من اللغتين في الصفحة نفسها.
| نوع المستند | الخيار المناسب | ملاحظة |
|---|---|---|
| عربي بالكامل | عربي | راجع الحروف المتشابهة والأرقام |
| إنجليزي بالكامل | إنجليزي | الأسرع وغالباً الأدق |
| عربي وإنجليزي في الصفحة نفسها | إنجليزي + عربي | أبطأ قليلاً لأن المحرك يفحص اللغتين |
| PDF نصه قابل للتحديد أصلاً | لا حاجة إلى OCR | استخدم أداة تحويل PDF إلى Word بدلاً منها |
نصائح مهمة
- جرّب تحديد كلمة في الملف أولاً؛ إن أمكن تحديدها فالنص موجود، وأدوات الاستخراج العادية أسرع وأدق.
- الصفحات المستقيمة الواضحة ذات الخط المطبوع تعطي أفضل نتيجة، أما الكتابة اليدوية والخطوط الزخرفية فنتائجها ضعيفة.
- إذا كانت الصفحات مقلوبة أو مائلة فدوّرها قبل الاستخراج، لأن المحرك يقرأ الصفحة كما هي.
- للملفات الطويلة استخرج الصفحات التي تحتاجها فقط في ملف أصغر، فالمعالجة تتم صفحة بعد صفحة على جهازك.
- تنسيق الجداول والأعمدة لا يُحفظ، فالنتيجة نص عادي، فخطّط لترتيبه بعد النسخ.
يُقرأ ملفك ويُعالج داخل متصفحك فقط؛ ما يُحمَّل من الإنترنت هو محرك التعرف وبيانات اللغة العامة، وليس ملفك.
الأسئلة الشائعة
هل تدعم الأداة النص العربي؟
نعم، يمكنك اختيار العربية وحدها أو مع الإنجليزية. دقة العربية جيدة مع الخطوط المطبوعة الواضحة، لكن راجع النتيجة لأن بعض الحروف المتشابهة والتشكيل قد تُقرأ خطأ.
لماذا يستغرق التشغيل الأول وقتاً أطول؟
في أول مرة يحمّل المتصفح محرك Tesseract وبيانات اللغة المختارة، وقد يستغرق ذلك دقيقة تقريباً حسب سرعة الاتصال. بعد ذلك تتأثر المدة بعدد الصفحات وقوة جهازك.
هل يُرفع ملفي إلى خادم؟
لا. تُرسم الصفحات وتُقرأ داخل متصفحك. الملفات التي تُحمَّل من الإنترنت هي ملفات المحرك واللغة العامة فقط.
هل تنشئ الأداة ملف PDF قابلاً للبحث؟
لا. الناتج نص عادي تنسخه أو تحمّله كملف .txt، ويبقى ملف PDF الأصلي كما هو دون تعديل.
هل تتعرف على الكتابة اليدوية؟
المحرك مصمم للنص المطبوع، لذلك تكون نتائجه مع الخط اليدوي ضعيفة في أغلب الحالات، خصوصاً الخط العربي المتصل.
هل تحافظ على الجداول وتنسيق الصفحة؟
لا. تستخرج الأداة النص فقط دون خطوط الجداول أو الخطوط والألوان أو الصور. قد تأتي خلايا الجدول أسطراً متتالية تحتاج إلى ترتيب.
كيف أعرف أن ملفي يحتاج OCR؟
افتحه وحاول تحديد كلمة أو البحث عنها. إذا تصرفت الصفحة كصورة واحدة فهو ملف مصوّر ويحتاج هذه الأداة، وإذا أمكن التحديد فالنص موجود فيه أصلاً.
هل هناك حد لعدد الصفحات؟
لا يوجد حد ثابت في الأداة، لكن كل صفحة تُعالج على جهازك، فالملفات الطويلة تأخذ وقتاً وتستهلك ذاكرة المتصفح. على الجوال يُفضّل تقسيم الملف الكبير.
لماذا ظهرت بعض الكلمات مشوهة؟
غالباً بسبب مسح باهت أو صفحة مائلة أو خط صغير جداً أو خلفية ملونة. حسّن جودة المسح أو دوّر الصفحات ثم أعد المحاولة.
هل أحتاج اتصالاً بالإنترنت؟
نعم في أول استخدام لكل لغة لتحميل المحرك وبياناتها. ملفك نفسه لا يحتاج إلى إرسال لأنه يُعالج محلياً.
ما الفرق بين هذه الأداة وتحويل PDF إلى Word؟
تحويل PDF إلى Word يقرأ طبقة النص الموجودة في الملف ولا يرى الصور. أداة OCR تقرأ الحروف من صورة الصفحة، فهي المناسبة للملفات الممسوحة.
هل يمكنني استخراج النص من صورة JPG؟
هذه الأداة مخصصة لملفات PDF. للصور المنفردة استخدم أداة استخراج النص من الصورة في أدواتي، فهي تعمل بالمحرك نفسه.
آخر تحديث: