كيفية إصلاح فواصل الأسطر والوصلات الناتجة عن التعرف الضوئي على الحروف (OCR) قبل الترجمة

لإصلاح فواصل الأسطر الناتجة عن التعرف الضوئي على الحروف (OCR)، حدد أولاً النص الذي ينتمي إلى فقرة واحدة. استبدل فقط نهايات الأسطر غير المرغوب فيها بمسافات. وبالنسبة للكلمات المقسمة عبر سطرين، حدد لكل حالة على حدة ما إذا كنت ستزيل الواصلة أم ستبقي عليها: trans- متبوعة بـ lation تصبح translation، ولكن well- متبوعة بـ known تصبح well-known. احتفظ بسجل للتغييرات وقارن مواضع الوصل المشكوك فيها بالصفحة الأصلية.

لا تطبق أمر «إزالة كافة فواصل الأسطر» أو «حذف كافة الواصلات» على كتاب كامل. قد يبدو المقتطف بعد تنظيفه أكثر سلاسة ولكنه قد يفقد فقرة كاملة، أو يدمج عنصرين من عناصر القائمة، أو يغير معرفًا تقنيًا. الهدف هو الحصول على نسخة موثوقة للقراءة أو الترجمة، وليس الوصول إلى أقل عدد ممكن من أحرف السطور الجديدة.

يبدأ هذا الدليل بعد مرحلة التعرف على النص. إذا أدى نسخ ملف PDF إلى ظهور أحرف أو أرقام غير صحيحة، فابدأ أولاً بـ تشخيص طبقة النص الخاصة به. فتغيير فواصل الأسطر لا يمكنه تحويل رمز تم التعرف عليه بشكل خاطئ مثل B-2O4 إلى الرمز المقصود B-204.

حدد ما يمثله كل فاصل أسطر

احتفظ بالمسح الضوئي الأصلي والمقتطف الخام دون تغيير. وفي نسخة العمل، قم بتفعيل خيار إظهار المسافات البيضاء أو علامات الفقرات في المحرر. غيّر حجم نافذة المحرر: السطر الذي يعاد تدفقه تلقائيًا دون وجود سطر جديد مخزن هو مجرد التفاف بصري على الشاشة؛ ولا يوجد ما يستدعي الحذف.

أما أحرف السطور الجديدة المخزنة فتتطلب فحصًا مختلفًا. قارن فقرة متصلة، وعنوانًا، وقائمة، وأي تخطيط صفحة مختلف بوضوح مع صورة الصفحة الأصلية. لا تستنتج بنية المستند بالكامل بناءً على صفحة العنوان وحدها.

يمكن للسطور الفارغة والمسافات البادئة أن تساعد في تحديد الفقرات، لكنها مجرد دلائل وليست ضمانات مؤكدة؛ فقد لا يتبع العنوان أي سطر فارغ، وقد يكون السطر ذو المسافة البادئة مجرد استمرار لقائمة وليس فقرة جديدة، كما أن السطر القصير المنتهي بنقطة قد يكون السطر الأخير من فقرة أو مجرد جملة في منتصفها.

إذا كانت ملفات التصدير الناتجة عن التعرف الضوئي على الحروف (OCR) توفر معلومات حول التخطيط أو الكتل، فاحتفظ بها أثناء تدقيق النص؛ إذ إن التصدير بتنسيق نص عادي فقط قد يؤدي إلى فقدان الأدلة التي تحتاج إليها لإعادة بناء تلك الحدود بدقة.

الفصل بين الكلمات المجزأة والشرطات الأصلية

تتطلب ثلاث حالات متشابهة بصريًا تعديلات مختلفة:

trans-          → translation
lation

well-           → well-known
known

trans\u00ADlation → translation in a verified reading copy

يستخدم السطر الأخير \u00AD لجعل الحرف الذي يصعب تمييزه بخلاف ذلك واضحًا وصريحًا. يميز نظام Unicode بين الشرطة الاختيارية U+00AD SOFT HYPHEN، وهي علامة اختيارية لكسر الكلمة داخليًا، وبين الشرطة المرئية مثل الشرطة U+2010 HYPHEN. وهذان الحرفان ليسا قابلين للتبادل على الإطلاق. مواصفات كسر الأسطر في Unicode توضح أيضاً التغييرات الإملائية التي تعتمد على اللغة عند موضع الكسر؛ فحذف الشرطة المرئية ودمج الحروف ليس كافياً دائماً.

بالنسبة للنصوص النثرية العادية، فإن إزالة علامة الوصل الاختيارية المؤكدة يمكن أن ينتج نسخة قراءة مفيدة. أما بالنسبة للنسخ الأرشيفية، فيجب الاحتفاظ بالأصل بشكل منفصل: فإزالة العلامة يغير النص المرمز حتى لو بدت الكلمة دون تغيير.

استخدم قاموساً في لغة المصدر للتحقق من التهجئة المقترحة، ثم عُد إلى المقطع. يُعد إدخال القاموس دليلاً داعماً، وليس إذناً لتجاوز اسم أو معرّف أو هجاء تاريخي. كما يساعد تكرار الورود في المستند أيضاً، ولكن خطأ OCR قد يتكرر بصورة منتظمة.

على سبيل المثال، نموذجنا باللغة الألمانية هو:

Die Auf-
gabe ist klar.

الكلمة المقصودة في هذا المثال المُعد هي Aufgabe; مُدخل معجم Duden يُدرج تقسيمها على النحو التالي: Auf|ga|be. ودمج Auf- و gabe مبرر هنا. هذا المثال الفردي ليس قاعدة عامة لإلغاء الواصلات في اللغة الألمانية، ولا ينبغي للتهجئة المعجمية الحديثة أن تحل ضمنياً محل الإملاء المعتمد في طبعة أقدم.

عامل عناوين URL، ورموز الفهارس، والأسماء الكيميائية، والقيم السالبة، وغيرها من الرموز التقنية كحالات مراجعة منفصلة. ويجب أن يخضع بقاء الشرطة أو الواصلة للمصدر ولمعنى الرمز، وليس لقاعدة عامة مستندة إلى الكلمات الإنجليزية.

ما توضحه اثنا عشر مثالاً مضبوطاً

لقد أنشأنا نموذجاً توضيحياً قابلاً للتنزيل لعملية التنظيف يحتوي على اثنتي عشرة سلسلة نصية أصلية. حُددت كلماتها وبنيتها المقصودة عندما قمنا بصياغتها؛ ثم أدرجنا فواصل أسطر مختارة ومشكلات ناتجة عن استخدام الواصلات. هذه أمثلة نصية تركيبية، وليست مخرجات من محرك OCR أو عمليات مسح ضوئي لكتاب.

يطبق الأساس المرجعي المباشر عمداً ثلاثة استبدالات: إزالة الواصلة متبوعة بسطر جديد، واستبدال الأسطر الجديدة المتبقية بمسافات، وإزالة الواصلات الناعمة. أما المسار الثاني فيطبق فقط التغييرات المعتمدة فردياً على النص الدقيق. وهو لا يقوم بأي محاولة للتعرف على الفقرات أو تحديد تهجئة الكلمات تلقائياً.

في 3 أكتوبر 2026، أدى تشغيل بيئة الاختبار باستخدام Node.js 25.2.1 إلى إنتاج نص مطابق للمرجع في 4 من أصل 12 مثالاً وفق خط الأساس البسيط. أما المسار المعتمد فقد طابق جميع المراجع الاثني عشر واستعاد جميع المدخلات الاثني عشر عبر التراجع. كما رفض المدخلات القديمة، والتطابقات غير الفريدة، والتطابقات المفقودة.

تختبر هذه النتائج تطبيق التصحيحات بدقة مقارنةً بـ مراجع معروفة وضعها مؤلفون. وهي لا تقدم تقديراً للدقة في العالم الحقيقي: فالقرارات المعتمدة تحتوي بالفعل على الإجابات، وقد جرى اختيار مجموعة النصوص عمداً لإبراز حالات الفشل. لم نختبر أداة تنظيف تجارية، أو محرك OCR، أو نموذج ترجمة، أو ملفاً تم رفعه إلى BookTranslator. كما لم تكن هناك محاولات إعادة أو عينات مستبعدة.

نزّل المدخلات والمخرجات الفعلية وسجل التصحيحات و تعليمات إعادة الإنتاج. يعمل كود JavaScript محلياً دون أي تبعيات أو اتصالات بالشبكة ويطبع النتائج؛ وهو لا يعيد كتابة ملفاتك. تحمي عمليات التحقق فيه التعديل المعتمد من أن يُطبّق على نص مختلف. لكنها لا تستطيع تحديد ما إذا كان التعديل صحيحاً لغوياً.

نظّف كتلة نصية مؤكدة واحدة في كل مرة

ابدأ بكتلة نثرية قصيرة يمكنك التأكد من تسلسل قراءتها وحدود فقراتها. لا تبدأ بفصل كامل يحتوي على شروح توضيحية واقتباسات وقوائم وهوامش سفلية.

1. احفظ نسخة أولية وسجّل موضع المصدر. احتفظ باسم الملف ورقم الصفحة والفقرة أو الكتلة واللغة مع كل مقطع تجري مراجعته.
2. حدّد الحدود الهيكلية أولاً. افصل العناوين وعناصر القوائم والشعر والجداول والأكواد البرمجية عن النثر العادي. واحتفظ بإشارات أرقام الصفحات خارج نص القراءة إذا كنت ستزيل علاماتها لاحقاً.
3. اجمع نهايات الأسطر العادية بين الكلمات داخل تلك الكتلة. استبدل مسافة بكل فاصل سطر تم التأكد منه. وتحقق من عدم التصاق الكلمات ومن أن المسافة الحالية لم تصبح مسافة مكررة مشتتة للانتباه.
4. راجع الكلمات المقسمة بشكل منفصل. اعرض الكلمة الكاملة والجملة المحيطة بها. وسجّل «إزالة الوصلة الناتجة عن التنسيق» أو «الاحتفاظ بالوصلة الأصلية» أو «لم يُحل بعد». لا تتعامل مع أي حالة غير محسومة كتعديل معتمد.
5. افحص الفروق بدقة قبل قبولها. قارن كل فاصل أو شرطة وصل تمت إزالتها بالأصل. احفظ النسخة المُنقحة باسم ملف جديد، إلى جانب القرارات المتخذة.
6. أعد فتح الملف وانسخ من النتيجة المحفوظة. تحقق من الملف الفعلي الذي ستستخدمه، وليس فقط من معاينة المحرر.

بالنسبة للمقتطفات الصغيرة، قد تكون التعديلات اليدوية مع تتبع التغييرات أو إجراء مقارنة قبل/بعد كافية. أما بالنسبة للمقتطفات الأطول، فينبغي أن تسجل قائمة التصحيحات السلسلة الفرعية الأصلية بدقة، والبديل، والموقع، والسبب، والمراجع. يساعد المجموع التحققي للمصدر في منع تطبيق الموافقات القديمة بعد تغيير المدخلات.

إذا كان المحرر لديك يوفر وضع تنظيف يحافظ على الفقرات، فاختبر هذا الوضع على المقاطع الصعبة—وليس فقط على النصوص الانسيابية. فالحفاظ على الأسطر الفارغة المزدوجة لن يستعيد فاصل الفقرة الذي مثله التعرف الضوئي على الحروف بسطر جديد واحد. لا تحذف المسافات البادئة أو تدمج جميع المسافات قبل فحص الجداول والتعليمات البرمجية.

معرفة متى ينبغي الرجوع إلى صورة الصفحة

توضح علامات الترقيم الفرنسية سبب عدم تطابق اكتشاف نهاية الجملة مع اكتشاف الفقرة. في نموذجنا المكتوب، Il attend… و Le lendemain, il part. ينتميان إلى فقرتين منفصلتين. علامة الحذف وحدها لا تحدد هذا الفاصل. وتوضح إرشادات Office québécois de la langue française حول نقاط الحذف استخدامات تتضمن المقاطعة أو الفكرة غير المكتملة؛ استخدم بنية الصفحة لتحديد ما إذا كان يجب دمج السطر التالي.

اجعل مراجعة الصورة المصدر إلزامية لهذه الحالات المرشحة:

إذا ظهرت المشكلة نفسها في عدة صفحات، فابحث عن هذا النمط في كامل المستند وراجع النتائج المطابقة. وإذا كانت الحروف الأصلية أو ترتيب القراءة أو فقرات بأكملها غير صحيحة، فأوقف عملية الضبط وأعد النظر في خطوة التعرف الضوئي أو الاستخراج. بالنسبة للتعرف عبر لغات متعددة، استخدم سير عمل التعرف الضوئي على الحروف لملفات PDF متعددة اللغات.

تحقق من المصدر المنقح قبل ترجمته

قارن الكتلة المعدلة بالصفحة الأصلية، ثم افحص كتلة أخرى وكل نوع هيكلي مختلف موجود في النص المستخرج. واحتفظ بالأخطاء المعروفة ضمن مجموعة المراجعة؛ فالمعاينة تقدم دليلاً على الفقرات التي تم فحصها فقط، ولا تضمن بقية الكتاب.

• تأكد من أن الأسماء والأرقام والتواريخ والأكواد لا تزال مطابقة للمصدر.
• تحقق من كل شرطة تم حذفها ومن أي هجاء تم إعادة بنائه عبر فاصل السطر.
• قارن حدود الفقرات والعناوين وعناصر القوائم وأسطر الشعر.
• تأكد من بقاء السطور الأولى والأخيرة سليمة عند الانتقال بين الصفحات.
• ابحث عن الحالات غير المحسومة واجعلها واضحة في سجل المراجعة.
• تأكد من أن النسخة النهائية المحفوظة هي ذاتها التي تنتقل إلى سير عملك التالي.

إذا كان كل ما تحتاجه هو نص قابل للبحث أو مجرد ملاحظات، فقد يكون هذا المستخرج المتحقق منه هو الغاية النهائية؛ فلن تحتاج إلى الترجمة لإصلاحه.

إذا كنت بحاجة إلى المستند بلغة أخرى، فقم بإعداد المحتوى الذي تم التحقق منه بتنسيق مستند مدعوم واستخدم سير عمل ترجمة المستندات الكاملة. يعيد وضع التعرف الضوئي على الحروف (OCR Mode) في BookTranslator بناء ملف PDF مترجم من المحتوى المتعرف عليه بدلاً من استنساخ تخطيط الصفحة الأصلي تماماً؛ وهو ليس محرراً خارجياً لتنقيح النصوص ولا يقدم دليلاً على أن كل فاصل في المصدر قد فُسر بشكل صحيح. يقدم دليل ملفات PDF الممسوحة ضوئياً الحالات التي يلزم فيها إجراء التعرف على النصوص.

احتفظ بالصفحات الأصلية وسجل التنظيف من أجل مرحلة ضمان جودة ترجمة ملف PDF النهائية. فالجملة المترجمة بسلاسة لن تنبهك إلى أن النص الأصلي كان يجب أن يحتوي على وصلة أصلية — أو أن جملتين متصلتين في الظاهر كانتا في الواقع فقرتين منفصلتين.