Doocuاستخراج النص من صورة أو PDF مصوّر
محاضرة مصوّرة بالهاتف، كتاب ممسوح ضوئياً، أو ملف PDF لا تستطيع تحديد حرف واحد منه. في كل هذه الحالات لا يوجد نص أصلاً — توجد صور فقط. واستخراج النص منها يحتاج تقنية اسمها OCR، ونتيجتها في العربية تعتمد على شيء واحد أكثر من أي شيء آخر: جودة الصورة التي تعطيها.
أولاً: هل ملفك مصوّر أم نصّي؟
هذا أول ما يجب أن تعرفه، لأن العلاج مختلف تماماً. الاختبار يستغرق ثانيتين: افتح الملف وحاول تحديد سطر بالفأرة.
- تحدّد النص حرفاً حرفاً: الملف نصّي، ولا تحتاج OCR — انسخ مباشرة أو حوّله إلى Word.
- لا يتحدّد شيء، أو تتحدّد الصفحة كمربع واحد: الملف مصوّر، وتحتاج OCR.
واختبار ثانٍ أدق: ابحث داخل الملف عن كلمة تراها بعينك على الشاشة. إن لم يجدها البحث، فما تراه صورة لا نص.
وهناك حالة ثالثة تخدع كثيرين: ملف مختلط — صفحاته الأولى نصّية والباقي صور ممسوحة، أو صفحة نصّية فيها جدول مُدرج كصورة. لذلك افحص عدة صفحات لا صفحة واحدة.
لماذا العربية أصعب على OCR؟
دقة استخراج النص العربي أقل من الإنجليزي، والسبب في بنية اللغة نفسها لا في تقصير الأدوات:
- الخط متصل: الحروف تلتحم فلا توجد فواصل واضحة بينها كما في الإنجليزية، وتحديد أين ينتهي حرف ويبدأ آخر مسألة تقدير.
- شكل الحرف يتغيّر: الحرف الواحد له أشكال في أول الكلمة ووسطها وآخرها ومنفرداً.
- النقاط تحسم المعنى: ب وت وث وي متطابقة الرسم ولا يفرّقها إلا التنقيط. نقطة باهتة أو ظل صغير يبدّل الكلمة كلّها.
- التشكيل: قد يُقرأ كنقاط إضافية فيشوّش الناتج، وهو شائع في النصوص الدينية والشعرية.
ولهذا فإن تحسين الصورة يرفع الدقة في العربية أكثر بكثير مما يرفعها في الإنجليزية — وهذه أهم نقطة عملية في هذا الدليل.
كيف تصوّر الصفحة بشكل يرفع الدقة
أغلب النتائج السيئة سببها الصورة لا الأداة. القواعد الخمس التي تصنع الفرق:
- صوّر من فوق مباشرة: الزاوية المائلة تحرّف شكل الحروف فتُقرأ خطأ. اجعل الكاميرا موازية للصفحة.
- وزّع الإضاءة: لا ظل ليدك أو للهاتف على الصفحة، ولا انعكاس لمبة على الورق اللامع. ضوء النهار غير المباشر أفضل من أي إضاءة صناعية مباشرة.
- املأ الإطار: الصفحة وحدها، بلا طاولة وبلا يد وبلا الصفحة المقابلة.
- ثبّت الكاميرا: الاهتزاز البسيط يطمس النقاط وهي بالضبط ما يميّز الحروف العربية.
- افرد الورقة: انحناء الكتاب قرب التجليد يمدّ الحروف ويكسر السطر.
وإن توفّر ماسح ضوئي فاستخدمه بدقة 300 نقطة في البوصة على الأقل. وإن كنت تصوّر بالهاتف، فأغلب أنظمة الهاتف فيها وضع «مسح مستند» يصحّح الزاوية والإضاءة تلقائياً — استخدمه بدل التصوير العادي.
راجع الناتج في هذه المواضع
لا يوجد OCR بدقة مئة بالمئة، والمراجعة جزء من العملية لا استثناء فيها. وبدل قراءة كل شيء، ركّز على ما يخطئ فيه عادة:
- الأرقام: أكثر ما يُقرأ خطأ، وأخطرها لأنها تمرّ دون أن تلفت النظر. راجع كل رقم تنوي استخدامه في بحثك.
- الأسماء والمصطلحات: لا يساعد السياق الأداة على تصحيحها كما يساعدها في الكلمات الشائعة.
- الحروف المتشابهة: ب/ت/ث ، ج/ح/خ ، ر/ز ، س/ش ، ص/ض.
- الجداول: غالباً ما يتحوّل الجدول إلى سطور متتالية ويضيع توزيع الأعمدة.
- الحواشي وأرقام الصفحات: تندمج أحياناً في نهاية الفقرة.
وطريقة مراجعة سريعة: اقرأ الناتج بصوت عالٍ. الخطأ الذي لا تلتقطه العين تلتقطه الأذن فوراً لأن الجملة تتعثّر.
أين تفيدك هذه التقنية
الاستخدام الأشيع بين الطلبة هو تحويل المحاضرات المصوّرة إلى نص يمكن البحث فيه وتلخيصه — وهذه وحدها توفّر ساعات وقت المراجعة. وتفيد كذلك في اقتباس فقرة من كتاب ممسوح بدل إعادة كتابتها يدوياً، وفي استخراج بيانات جدول من ورقة مطبوعة، وفي جعل ملف قديم قابلاً للبحث بالكلمة المفتاحية.
وانتبه إلى حقوق المصدر: استخراج النص لا يلغي الحاجة إلى الاستشهاد. إن استخدمت فقرة من كتاب في بحثك، وثّقها كما توثّق أي اقتباس مهما كانت طريقة حصولك عليها.
استخرج النص من ملفاتك المصوّرة
أدوات PDF في DoocuAI تستخرج النص من الصور والملفات الممسوحة مع دعم العربية، وتعطيك نصاً قابلاً للنسخ والتعديل — ثم يمكنك تلخيصه أو تحويله إلى تقرير مباشرة.
🔎 جرّب استخراج النص مجاناًأسئلة شائعة
كيف أعرف أن ملف PDF مصوّر وليس نصياً؟
حاول تحديد سطر بالفأرة. إن لم تستطع تحديد أي حرف فالملف مصوّر. واختبار ثانٍ: ابحث داخل الملف عن كلمة تراها بعينك؛ إن لم يجدها البحث فهو مصوّر.
لماذا دقة OCR العربي أقل من الإنجليزي؟
لأن العربية خط متصل يتغيّر شكل حرفه حسب موقعه، ولأن التنقيط يفرّق بين حروف متطابقة الرسم. نقطة باهتة تكفي لتبديل كلمة، لذلك جودة الصورة تؤثر في العربية أكثر بكثير.
كيف أرفع دقة استخراج النص؟
صوّر من فوق مباشرة بإضاءة موزّعة بلا ظل ولا انعكاس، واملأ الإطار بالصفحة وحدها، وثبّت الكاميرا. وإن توفّر ماسح ضوئي فاستخدمه بدقة 300 نقطة في البوصة على الأقل.
هل يحافظ OCR على تنسيق الصفحة؟
يحافظ على النص لا على التنسيق غالبًا. العناوين والجداول والأعمدة قد تتحوّل إلى سطور متتالية، ولذلك يُفضّل استخدام الناتج كنص خام تعيد تنسيقه بنفسك، خصوصًا في الجداول.