التعرف البصري على الحروف (OCR) لملف PDF ثنائي اللغة: التحقق من الصينية، الإنجليزية، والأرقام بشكل منفصل

لإجراء التعرف البصري على الحروف (OCR) لملف PDF متعدد اللغات، حدد النصوص الموجودة في الصفحة، واختر أداة يمكنها معالجة ملف PDF بلغات التعرف ذات الصلة، ثم تحقق من النص المستخرج مقارنةً بالصورة. تحقق من النص الصيني، النص الإنجليزي، الأرقام، وعلاقات التسميات بشكل منفصل. العثور على عنوان باللغة الإنجليزية في البحث لا يوضح ما إذا تم التعرف على النص الصيني الأساسي.

إضافة لغة أخرى تستحق التجربة، لكنها ليست بالضرورة تحسناً تلقائياً. في تجربتنا الصغيرة التي دمجت بين الصينية والإنجليزية، أدت إضافة الإنجليزية إلى تصحيح تسمية إنجليزية واحدة ولكنها أتلفت جملة صينية كانت الإعدادات المخصصة للصينية وحدها قد تعرفت عليها بشكل صحيح. لم يُرجع أي من إعدادي الجدول لدينا نصاً من جدول بسيط محاط بخطوط.

هذا ليس حكماً نهائياً على تقنية التعرف البصري على الحروف متعددة اللغات بشكل عام، بل هو سبب لتقييم المخرجات التي تحتاجها بدلاً من الاعتماد على عدد اللغات المُختارة.

أولاً، ميز بين النص المفقود والنص غير الصحيح

احتفظ بالملف الأصلي كما هو. على نسخة مطابقة، حدد جملة من صفحة نموذجية والصقها في محرر نصوص عادية. جرب فقرة صينية وفقرة إنجليزية، وليس عنوان المستند فقط.

وجود طبقة نصية حالية يعد أمراً هاماً. على سبيل المثال، وثائق التعرف البصري على الحروف لبرنامج NAPS2 توضح أن صفحات PDF المُستوردة والتي تحتوي بالفعل على نص يتم تركها كما هي. وعليه، فإن إعادة استيراد صفحة تمت معالجتها بشكل سيء لا يُعد وسيلة إصلاح موثوقة في سير العمل هذا.

إذا كانت المشكلة الحقيقية تتمثل في انخفاض دقة المسح الضوئي، أو انحناء الصفحة، أو ميلها، فقم بمعالجة ذلك قبل تفسير مقارنة إعدادات اللغة. دليلنا الأوسع لملفات PDF الممسوحة ضوئياً يغطي هذا التحضير ومراحل الترجمة اللاحقة.

اختر لغات التعرف، وليس هدف الترجمة

يجيب التعرف عن سؤال: "ما هي الحرف الموجودة على هذه الصفحة؟" بينما تجيب الترجمة عن سؤال: "كيف يجب أن ينص هذا المحتوى بلغة أخرى؟" لا تطلب من التعرف الضوئي على الحروف (OCR) تبسيط الصينية التقليدية بصمت، أو ترجمة اقتباس إنجليزي، أو إعادة كتابة معرف غير مألوف.

قم بإعداد جرد قصير:

• النص الصيني: مبسط، أو تقليدي، أو كلاهما، بما في ذلك العناوين والملاحظات.
• النص اللاتيني: الجمل الإنجليزية، وأسماء المؤلفين، والمراجع، والاختصارات، وأرقام النماذج.
• القيم المتحكم بها: التواريخ، والنقاط العشرية، والوحدات، والإشارات السالبة، والمعرفات، والرموز الحساسة لحالة الأحرف.
• المناطق: النصوص العادية، والجداول، والتعليقات التوضيحية، والحواشي السفلية، أو ملحق بلغة منفصلة.

على سبيل المثال، قد يحتوي تقرير بالصينية التقليدية على ملخص ومراجع باللغة الإنجليزية. قد يتضمن فصل بالصينية المبسطة جدولاً يحتوي على A-01, 23.5، و °C. لا ينبغي تقييم أي منهما من خلال التحقق من أطول فقرة صينية فقط.

يوفر Tesseract chi_sim, chi_tra، و eng نماذج منفصلة في مستودع النماذج الرسمي الخاص به. تدعم وثائق الأوامر الخاصة به تحديد لغات متعددة معاً وتشير إلى أن ترتيب اللغات قد يؤثر على النتائج. هذه احتمالات إعداد وليست ضمانات بأن كل نموذج إضافي سيقدم مساعدة.

إذا كان مستندك يحتوي بدلاً من ذلك على أعمدة يابانية عمودية وفوريغانا، فاستخدم دليل التعرف الضوئي على الحروف العمودي الياباني. وتلك مشكلة تخطيط وتوضيح مختلفة، وليست مجرد مربع اختيار لغة آخر.

استخدم سير عمل يقبل ملفات PDF بالفعل

مسار سطح المكتب: NAPS2

يقدم NAPS2 مساراً موثقاً لجعل ملفات PDF الممسوحة ضوئياً قابلة للبحث:

1. قم استيراد نسخة من الملف وافتح إعدادات التعرف الضوئي على الحروف الخاصة به.
2. قم بتنزيل لغات التعرف اللازمة للمستند.
3. اختر لغات متعددة وحدد اللغات ذات الصلة.
4. قم بتفعيل التعرف الضوئي على الحروف لملفات PDF القابلة للبحث واحفظ الملف في ملف جديد.
5. أعد فتح هذا الملف وقارن النص الصيني والإنكليزي والرقمي المنفخ بالصفحة المرئية.

يظهر خيار اللغات المتعددة بعد تنزيل أكثر من لغة واحدة. تتبع هذه الخطوات دليل NAPS2 الرسمي؛ ولم نقم بإجراء اختبار عملي لـ NAPS2 لهذه المقالة.

مسار سطر الأوامر: OCRmyPDF

بالنسبة لملف PDF صيني مبسط/إنكليزي يحتوي على صور فقط، فإن المثال المستند إلى الوثائق الرسمية هو:

ocrmypdf -l chi_sim+eng --output-type pdf \
  --sidecar recognized.txt input.pdf searchable.pdf

قم بتثبيت حزم اللغات المطلوبة أولاً. استخدم chi_tra لاختبار الصينية التقليدية بدلاً من افتراض أن النصوص قابلة للتبادل.

يوثق دليل استخدام OCRmyPDF ملفات PDF ومخرجات النصوص المصاحبة. قد لا يكون النص المصاحب هو المستند بأكمله بالضرورة: فالنصوص الموجودة على الصفحات التي تحتوي على نص مسبقاً، أو الصفحات التي تم تخطيها أثناء التعرف الضوئي على الحروف، قد تكون غائبة. تحقق من ملف PDF الناتج نفسه. يتطلب التعرف الضوئي على الحروف غير الصحيح الحالي سير عمل إعادة مقصود؛ لا تفرض تحويل كل صفحة إلى صور raster دون فهم ما يغيره ذلك.

هذا مسار قائم على التوثيق، وليس بيئة الاختبار المقاسة الخاصة بنا. لم نقم بتشغيل OCRmyPDF هنا.

تحتاج أداة Tesseract العادية إلى صفحات مُصممة

لا تستخدم tesseract input.pdf ... وكأنها قارئ ملفات PDF. لا تقبل أداة Tesseract ملفات PDF كمدخلات، على الرغم من قدرتها على إنتاج ملفات PDF كمر مخرجات. تتمتع مكتبة Tesseract.js بنفْس تمييز المدخلات الخاص بملفات PDF: قم برسم الصفحات باستخدام مكتبة PDF أولاً، ثم تعرف على الصور.

هذا هو المسار المستخدم لتجربتنا أدناه. فهو ينتج أدلة نصوص وملفات TSV، وليس ملف PDF قابل للبحث تم اختباره.

ما حدث في عشر مكالمات OCR محلية

لقد أنشأنا ملف PDF مصوراً من ثلاث صفحات يحتوي على:

1. نثر باللغة الصينية المبسطة مع مراجع إنجليزية ومعرفات وكسور عشرية ووحدات؛
2. صفحة مقابلة باللغة الصينية التقليدية؛
3. جدول صغير صيني-إنجليزي بثلاثة صفوف بيانات.

النصوص والقيم هي مواد تعليمية مؤلفة ذاتياً، وليست ملفات عملاء أو قياسات حقيقية. يحتوي كل هدف نثري على 124 نقطة رمزية لا تحتوي على مسافات بيضاء، بما في ذلك 41 حرفاً صينياً (هان). يحتوي الجدول على 79 نقطة رمزية لا تحتوي على مسافات بيضاء.

لم تحتوي صفحات مصدر ملف PDF على أي نص قابل للاستخراج. لقد قمنا برسمها باستخدام Poppler 26.08.0 بدقة 300 نقطة في البوصة، مما ينتج عنه صور بدقة 1600×1000 بكسل. كان حجم الخط 48 بكسل بخط Noto Sans CJK SC/TC Regular. جاءت علامات الترقيم بأكملها من الصور الرمزية الأفقية العادية للخطوط.

في 8 سبتمبر 2026، قمنا بتشغيل Tesseract.js 7.0.0 مع tesseract.js-core 7.0.0 محلياً على نظام macOS ARM64. النماذج tessdata_fast الرسمية تم تثبيتها عند الالتزام 87416418657359cb625c412a48b6e1d6d41c29bd. استخدمت كل مكالمة OEM 1 وPSM 6، وهو إعداد كتلة النص الموحد، مع نفس صورة الصفحة لكل مقارنة لغة.

كانت هناك أربعة وصفات لغوية لكل صفحة نثرية واثنتان للجدول. اكتملت جميع المكالمات العشر؛ لم يتم تجاهل أي نتيجة ولم يتم ضبط أي معامل بعد رؤية المخرجات. الدقيق المدخلات، وتجزئات النماذج، والإصدارات والنتائج الأولية وتعليمات الاستنساخ متاحة.

قد يؤدي إعداد معين إلى إصلاح حقل وإتلاف حقل آخر

في الصفحة التقليدية، chi_tra احتفظت بجميع الأحرف الصينية البالغ عددها 41 حرفاً على التوالي، لكنها مع ذلك ارتكبت أخطاء غير صينية. على سبيل المثال، قامت بتغيير التسمية الإنجليزية Document ID إلى Document 1ID وأساءت قراءة رمز الدرجة.

إضافة eng استعادة Document ID، ولكن جزءاً من جملة درجة الحرارة والكتلة أصبح شظايا تبدو لاتينية:

Expected: 樣本溫度為 23.5 °C，質量為 1.08 kg。
Observed with chi_tra+eng: RA MEA 23.5°C > HBA 1.08 kg。

لقد نجت الأرقام في هذا السطر بينما لم نجت الصينية المحيطة بها. فحص فقط 23.5 و 1.08 كان سيؤدي إلى تفويت الضرر.

أظهرت الصفحة المبسطة مقايضة مختلفة. أدت إضافة اللغة الإنجليزية إلى استعادة BK-2026-A07، والتي أعادتها التشغيل المخصص للصينية فقط كـ BK-2026-AO7. لكنها غيرت أيضاً 与 إلى 5 في مكان آخر. المعرف الغامض بصرياً O0I1-l ظل خاطئاً.

توضح التشخيصات التالية سبب عدم اعلاننا عن فائز:

تقارن "تعديلات تسلسل الهان" العلامات الإيديولوجية الصينية وحدها. وهي لا تقيم اللغة الإنجليزية أو علامات الترقيم أو المسافات. "تم العثور على سلاسل محمية" هو مجرد فحص وجود للمعرّفات والأرقام والوحدات ورموز المراجع المحددة مسبقاً؛ وهو لا يتحقق من موضعها أو علاقتها. توضح المخرجات باللغة الإنجليزية وحدها الفخ: فقد كانت معظم السلاسل المحمية موجودة، ومع ذلك لم يتم إرجاع أي من الحروف الصينية.

ملف المقارنة CSV الكامل يبلغ أيضاً عن مسافات التعديل للنص الكامل. تطبق المقارنة صيغة Unicode NFC وتزيل المسافات؛ وهي لا تصلح علامات الترقيم، أو تغير حالة الأحرف، أو تحول النصوص الصينية، أو تععيد ترتيب الحروف. أدى عكس ترتيب اللغات إلى تغيير المسافات في مخرجات النثر هذه ولكن ليس تسلسل الحروف المُطَبَّع. هذه الملاحظة ليست قاعدة عامة حول ترتيب اللغات.

الجدول الفارغ ليس عملية استخراج ناجحة

أعاد كلا استدعاءي الجدول نصاً فارغاً، على الرغم من اكتمالهما دون خطأ في تنفيذ التعرف الضوئي على الحروف. لم تؤدِ إضافة اللغة الصينية إلى إنقاذ وصفة الكتلة الموحدة الثابتة.

لم نختبر أوضاع تجزئة أخرى، أو اقتصاص الخلايا، أو محرك التعرف على الجداول. ولذلك فإن النتيجة لاتوضح أن تيَسِراك لا يمكنه قراءة الجداول. وهي تبين أن تغيير لغة التعرف وحدها لم يحل هذه العينة في إطار الإعدادات التي استخدمناها.

بالنسبة لجداول حقيقية، تطلب العلاقة الكاملة Temperature → A-01 → 23.5 → °C، وليس أربعة رموز وُجدت في مكان ما على الصفحة. إذا كانت المخرجات فارغة أو تعذر التحقق من العلاقات، فتوقف عن اعتبارها نسخة موثوقة. جرّب مسار عمل مدركاً للتخطيط أو انسخ الخلايا الضرورية بالرجوع إلى الصورة.

ما لا يمكن لهذه التجربة إثباته

هذه ثلاث صفحات اصطناعية نظيفة من عائلة خطوط واحدة، راجعها وكيل تحرير واحد. لم تكن هناك مراجعة بشرية عمياء، أو متقرر لمنتندات الإنتاج، أو اختبار للمسح الضاهبي المضبب، أو الخطوط اليدوية، أو الجداول المعقدة، أو النصوص العمودية، أو الحروف التاريخية.

النتائج هي أمثلة مضادة مفيدة لقاعدة "أضف المزيد من اللغات" غير المشروطة. وهي ليست ترتيباً للمحركات، أو معدل دقة عاماً، أو توقعاً لملف PDF الخاص بك. لم يكن هذا اختباراً لـ BookTranslator، وملف PDF المصدر الذي يحتوي على صور فقط ليس نسخة قراءة مكتملة التعرف الضوئي.

استخدم فحص قبول من أربعة أجزاء على ملفك الخاص

قم بتنزيل ورقة المراجعة الفارغة. اختر صفحة تحتوي على الصعوبة الفعلية، ثم أضف الفحوصات التالية قبل معالجة الملف بأكمله:

1. النص الصيني: قارن جملة كاملة، بما في ذلك الحروف الأقل شيوعاً وأشكال الصينية المبسطة/التقليدية المقصودة. لا تقم بتطبيع حرف خاطئ بصمت إلى الحرف الذي توقعته.
2. اللغة الإنجليزية والمعرفات: تفقد أسماء المؤلفين، والمراجع، والاختصارات، وحالة الأحرف، والحروف المتشابهة مثل O/0 أو I/l/1. الرمز غير المألوف ليس كلمة تخضع التصحيح التلقائي.
3. الأرقام والوحدات: قارن كل قيمة مع علامتها، والنقطة العشرية، والوحدة، والتسمية. 0.05 و 0.50 يجب أن يظلاب منفصلين؛ إن 23.5 المُتعرَّف عليه بدون الوحدة الصحيحة يعد غير مكتمل.
4. العلاقات والاكتمال: تحقق من أن كل فقرة أو صف جدول ينتمي إلى المكان المتوقع. وتأكد من وجود التعليق التوضيحية، والملاحظات، والمقاطع الصغيرة بلغة ثانوية، وليس فقط النص الرئيسي.

سجّل النص الأصلي، والنتيجة الملاحظة، والصفحة/المنطقة، والإجراء المطلوب. وعندما يحسن إعداد ما فحوصاً ويسيء إلى آخر، احتفظ بالملاحظات الاثنتين. لا تقبل الملف بناءً على درجة ثقة واحدة أو متوسط عدد حروف.

افصل بين ثلاثة نتائج: صالح للاستخدام كما هو للغرض الذي حددته، يحتاج إلى تصحيحات محددة، أو لا يمكن الوثوق به بعد. قد تحتاج مهمة البحث إلى مقطع واحد مُحقق فقط؛ بينما تتطلب نسخة القراءة الكاملة تغطية المستند بالكامل، وليس صفحة عنوان نظيفة.

ترجم فقط بعد أن تعرف ما يئوله المصدر

إذا كان البحث والنص الأصلي القابل للنسخ يحلان مشكلتك، فتوقف عند هذا الحد. لقد قام التعرف الضوئي على الحروف (OCR) بعمله؛ والترجمة هي قرار منفصل.

إذا كنت بحاجة إلى قراءة المستند الكامل بلغة أخرى، فاحتفظ بالمسح الضوئي الأصلي والنص المُصحح كمرجعين، ثم اتبع سير عمل ترجمة ملفات PDF المسحوبة ضوئياً. بالنسبة للملف المؤهل، يمكن لـ مترجم PDF الخاص بـ BookTranslator أن يكون الخطوة التالية. يعيد وضع التعرف الضوئي على الحروف (OCR) بناء المحتوى المترجم بدلاً من الوعد بمطابقة دقيقة لتخطيط الصفحة الأصلية؛ وهو لا يغني عن الحاجة إلى التحقق من النص المستعاد وعلاقات الجداول.

بعد الترجمة، استخدم قائمة التحقق الخاصة بضمان جودة ترجمة PDF للتمييز بين خطأ التعرف على المصدر وخطأ الترجمة أو التخطيط. إن تصحيح المرحلة الخاطئة هو الطريقة التي ينجو بها خطأ قابل للقراءة ليصل إلى الملف النهائي.