استخراج نصوص PDF مقابل التعرف الضوئي على الحروف (OCR): اختر المسار الصحيح قبل الترجمة

استخدم استخراج النصوص عندما يحتوي ملف PDF بالفعل على نص موثوق قابل للقراءة آلياً. واستخدم التعرف الضوئي على الحروف (OCR) عندما لا تتضمن الصفحة سوى صورة للنص. أما إذا كانت الصفحة تحتوي على طبقة نصية غير دقيقة، فلن تكفيك أي من القاعدتين: ستحتاج إلى مقارنة الكلمات المستخرجة بالصفحة الظاهرة أمامك قبل اتخاذ قرار بالاحتفاظ بتلك الطبقة أو استبدالها أو إعادة إنشائها.

وينبغي اتخاذ هذا القرار قبل البدء بالترجمة. فالمترجم لن يتمكن من استرجاع أي كمية أو اسم أو جملة دخلت في مسار العمل على نحو خاطئ، إذ لا يمكنه سوى ترجمة النص المصدر الذي يتسلمه فحسب.

جدول اتخاذ القرار السريع

اختبر الصفحات، ولا تكتفِ باختبار الملفات إجمالاً؛ فقد يجمع ملف PDF واحد بين صفحة عنوان رقمية، وفصول ممسوحة ضوئياً، وملحقات أُجري لها تعرف ضوئي قديم.

القدرة على تحديد الكلمات هي مجرد دليل على وجود كائن نصي، وليست دليلاً على تطابق النص مع ما هو ظاهر في الصفحة. وعلى العكس من ذلك، فإن فشل تجربة النسخ لا يثبت أن ملف PDF بالكامل يتكون من صور فقط.

اختبارنا لملف PDF مختلط مكوّن من أربع صفحات

أنشأنا ملف PDF قابلاً للتنزيل من أربع صفحات بمحتوى معروف ومحدد مسبقاً، ولا يتضمن أي وثائق خاصة أو تابعة لجهات خارجية:

1. صفحة رقمية الأصل؛
2. صفحة تتكون من صور فقط؛
3. صفحة تبدو كمستند ممسوح ضوئياً مع طبقة نص مخفي سليمة؛
4. صفحة تبدو كمستند ممسوح ضوئياً مع طبقة نص مخفي مضللة عمداً.

بالنسبة لكل صفحة، قمنا بتشغيل أداة Poppler pdftotext على بيانات PDF الحالية. وبشكل منفصل، قمنا بتصيير الصفحة بدقة 300 نقطة في البوصة (dpi) وشغّلنا أداة Tesseract على تلك الصورة، مع تثبيت المرجع المرئي قبل إجراء أيٍّ من الاختبارين.

المغزى ليس أن Tesseract يتفوق دائماً. لقد تفوق في هذا النموذج الإنجليزي الواضح لأننا صممنا الصفحة لعزل معيار القرار. أما في المسوحات الضوئية المشوشة، أو النصوص النادرة، أو الجداول، أو خط اليد، أو التخطيطات المعقدة، فقد يفشل التعرف الضوئي الجديد بطرق مختلفة.

تتوفر النتائج صفحة بصفحة, ورقة اتخاذ القرار, ملاحظات إعادة الإنتاج، و أداة التوليد متوفرة مع ملف الاختبار. في 21 سبتمبر 2026، كانت الإصدارات المسجلة هي Poppler pdftotext 26.08.0 وTesseract 5.5.3.

ما يثبته الاختبار وما لا يثبته

يثبت أن أربع صفحات مقروءة بصريًا يمكن أن تتطلب ثلاثة مسارات مختلفة قبل الترجمة. كما يثبت أيضًا أن النص القابل للبحث قد يتعارض مع محتوى الصفحة المرئي مع استمرار ظهوره بشكل منطقي ومقنع.

وهو لا يقيس دقة OCR العامة، أو إمكانية الوصول للقارئ، أو استعادة الجداول، أو التعرف على اللغات المتعددة، أو سلوك الرفع في BookTranslator. فالصفحات بسيطة والأخطاء في الصفحة الرابعة أُدرجت عمدًا؛ ولم يتسبب Tesseract في إنشائها.

لماذا يُعد الاستخراج والتعرف الضوئي على الحروف (OCR) عمليتين مختلفتين

يقرأ استخراج النص كائنات النصوص المخزنة بالفعل داخل ملف PDF. أما OCR فيتعرف على الحروف من خلال وحدات البكسل. ويحدد دليل استخراج pypdf الحالي الحد الفاصل نفسه: حيث يمكن لـ pypdf قراءة طبقة نصية موجودة بالفعل، لكنه لا يستطيع التعرف على الكلمات داخل الصورة.

هذا التمييز مهم للغاية لأن ملف PDF الرقمي يمكن أن يحتوي على معلومات يؤدي تحويلها إلى صور نقطية (Rasterization) إلى فقدانها أو جعل استعادتها أكثر صعوبة: مثل ترميزات الأحرف، ومعلومات الخطوط، والروابط، والرسومات المتجهة (Vector)، وكائنات المستند الأخرى. وينصح pypdf صراحةً بعدم التعامل مع OCR باعتباره الحل الشامل لجميع الملفات الرقمية الأصلية. كما يوضح قيدًا آخر منفصلًا: وهو أن ملف PDF يخزن النص عادةً لغرض الموضع البصري فقط، وليس كفقرات أو جداول أو عناوين دلالية.

لذا، يبرز سؤالان مستقلان يجب طرحهما أثناء الفحص الأولي:

1. هل الحروف صحيحة؟ قارن الأسماء والأرقام وعلامات الترقيم والمصطلحات غير المألوفة المستخرجة بما يظهر في الصفحة.
2. هل البنية صالحة للاستخدام؟ اقرأ فقرة كاملة، ثم افحص الأعمدة والحواشي السفلية والجداول والتعليقات التوضيحية وحدود الصفحات.

فالحروف الصحيحة في ترتيب خاطئ تظل نصًا تالفًا ومصدرًا غير صالح للترجمة.

فحص أولي على مستوى الصفحة قبل الترجمة

1. احتفظ بالملف الأصلي

احتفظ بملف المصدر دون أي تعديل وسجّل قيمة التجزئة (Hash) الخاصة به إذا كان المستند مهمًا. وأجرِ التجارب على نسخ منه؛ إذ إن استبدال طبقة نصية غير مثالية قد يؤدي إلى تسطيح المحتوى المتجه أو فقدان معلومات قد تحتاج إليها لاحقًا.

2. احصر أنواع الصفحات

لا تتخذ القرار استنادًا إلى الصفحة الأولى وحدها. عاين عينات من صفحات العنوان، وصفحات المتن العادية، والملاحق، والجداول، والرسوم التوضيحية، والملحقات المدرجة، وأي صفحة تبدو مصورة فوتوغرافيًا أو ممسوحة ضوئيًا.

بالنسبة للمستندات الطويلة، سجّل نطاقات الصفحات:

يتبع ملف CSV القابل للتنزيل نفس النمط لنموذج الفحص الخاص بنا.

3. قارن الرموز والعناصر الصعبة، وليس فقط النصوص السلسة والسهلة

تُعد الجمل التي تبدو متناسقة وسلسة مقياساً ضعيفاً للتحقق. احرص على تضمين ما يلي:

• اسم شخص؛
• تاريخ وكمية؛
• مُعرّف يجمع بين الحروف والأرقام؛
• نص يتضمن علامات تشكيل أو أحرفاً غير لاتينية؛
• جملة تمتد عبر فاصل أسطر؛
• مقطع قريب من حاشية سفلية، أو شكل توضيحي، أو عمود ثانٍ.

كانت الصفحة الرابعة في نموذج الاختبار ستبدو قابلة للاستخدام لو اقتصر الفحص على الكلمات الشائعة. فالأخطاء تتركز في O/0, 58/53، و 7.5/7.8— وهي تحديداً نوعية الرموز التي يمكن أن تشوه المراجع والحقائق بعد الترجمة.

4. صنّف حالات عدم اليقين بموضوعية

اعتمد أربع نتائج: عينة ناجحة، عينة فاشلة، لا يوجد نص قابل للاستخراج، أو لم يتم الاختبار بعد. فكون النص «قابلاً للتحديد» ليس نتيجة بحد ذاته، وكذلك «انتهاء عملية OCR».

فحص العينات له حدود؛ فاجتياز ثلاث صفحات لا يضمن جودة كتاب مؤلف من 400 صفحة، خاصةً إذا كان الملف يضم مسوحات ضوئية أو تنسيقات متباينة. لذلك، زد من نطاق الفحص كلما تغيّرت طبيعة المصدر.

لا تختر وضع OCRmyPDF إلا بعد التشخيص

توضح التوثيقات الحالية لأداة OCRmyPDF سلوكيات متعددة للتعامل مع الصفحات التي تحتوي على نصوص مسبقاً. هذه خيارات توجيهية للمسار، وليست ضمانات للجودة.

• السلوك الافتراضي يتوقف عندما تحتوي الصفحة مسبقاً على نص قابل للطباعة أو طبقة OCR مخفية، لأنه يعجز عن التمييز بدقة بين النوعين.
• تخطي النص (Skip text) ينسخ الصفحات التي تحوي نصوصاً دون أي تعديل ويجري OCR على بقية الصفحات. وهذا الخيار مفيد للملفات المختلطة فقط إذا كان النص الحالي موثوقاً تماماً.
• إعادة تشغيل OCR (Redo OCR) يزيل نصوص OCR المخفية الحالية غير القابلة للطباعة ويعيد التعرف على الصفحة من جديد، مع استبعاد النصوص المتجهة القابلة للطباعة. وقد يلائم هذا الخيار مزيجاً من الصفحات الرقمية وتلك المعالجة سابقاً بتقنية OCR، إلا أنه يعجز عن رصد جميع التنسيقات السابقة.
• فرض تشغيل OCR (Force OCR) يحوّل المحتوى المتجهي إلى صورة نقطية ثم يجري OCR على الصورة الناتجة. يمكنه استبدال الطبقة الفاشلة، لكنه يضحي ببعض المعلومات وقد يتسبب في تسطيح العناصر التفاعلية.

تستند هذه المفاهيم إلى توثيق أخطاء النصوص الموجودة مسبقاًللإصدار 17.12.1 من OCRmyPDF. راجع توثيق الإصدار المثبت لديك قبل معالجة أي دفعة من الملفات؛ فمجرد وجود خيار برمجي لا يعد دليلاً على احتفاظ المخرجات بالإشارات المرجعية، أو الوسوم، أو الروابط، أو النماذج، أو البنية الميسرة للوصول.

في نموذج الاختبار لدينا، كان خيار تخطي النص (skip-text) سيُبقي على النص المخفي الخاطئ عمداً في الصفحة الرابعة. ولهذا السبب بالتحديد، يجب إجراء خطوة النسخ والمقارنة قبل اختيار وضع المعالجة المجمعة.

أخطاء شائعة في التقدير

«إذا كان النص قابلاً للتحديد، فتخطَّ OCR»

الصفحة الرابعة تدحض هذه القاعدة تماماً؛ فتحديد النص يثبت وجوده فقط، ولا يضمن دقته.

«قم بتشغيل OCR على ملف PDF بالكامل لضمان الأمان»

يمكن أن يؤدي ذلك إلى تراجع جودة الصفحات الرقمية السليمة واستبعاد عناصر PDF مفيدة. كما أنه يوسّع نطاق المراجعة دون إصلاح ترتيب القراءة الدلالي تلقائيًا.

«استخدم المخرجات التي تبدو أكثر طلاقة»

الطلاقة خادعة هنا. قارن النص بالصفحة المرئية، ولا تدع النموذج اللغوي يصحح سرًا أي معرّف أو قيمة عددية ثم تتعامل مع النتيجة على أنها نص المصدر الموثوق.

«صفحة واحدة سليمة تعبر عن الملف بأكمله»

تُعد ملفات PDF المختلطة شائعة: فقد يسبق الغلاف الرقمي فصولًا ممسوحة ضوئيًا، أو قد يحتوي كتاب قابل للبحث على ملحقات تتكون من صور فقط. سجّل قراراتك استنادًا إلى نطاقات الصفحات.

معايير اعتماد ملف PDF ليكون جاهزًا للترجمة

قبل إرسال الملف إلى مسار الترجمة، تأكد من استيفاء جميع الشروط التالية:

1. تصنيف كل نطاق صفحات على أنه رقمي، أو صور فقط، أو OCR موجود مسبقًا.
2. توثيق خطة استبدال للطبقات السابقة غير الصالحة.
3. مطابقة الأسماء، والأرقام، والمعرّفات، والمصطلحات غير المألوفة مع المصدر في الصفحات التي جرى فحصها.
4. وضوح تسلسل الفقرات والأعمدة وسهولة قراءتها في المصدر المستخرج.
5. التحقق من الجداول، والأشكال، والحواشي السفلية، والمعادلات، أو تتبعها بوضوح كأصول منفصلة.
6. الاحتفاظ بملف PDF الأصلي لمقارنته بعد الترجمة.

استعن بـ دليل تشخيص مشكلات النسخ واللصق المنفصل عندما يتعذر استخراج النص من ملف PDF يحتوي على نصوص. واستخدم مسار عمل ملفات PDF الممسوحة ضوئيًا عندما تقتصر الصفحات على الصور فقط، و دليل التعرف الضوئي على الحروف للغات المتعددة عندما يكون اختيار اللغة جزءًا من سبب المشكلة.

ترجمة المصدر بعد التحقق منه، ثم مراجعة المخرجات

إذا كان الهدف النهائي هو قراءة وثيقة كاملة بلغة أخرى، فما عليك سوى رفع ملف PDF بعد التحقق منه إلى مترجم PDF. وفي الصفحات الممسوحة ضوئيًا أو الغنية بالصور، يستخرج وضع OCR في BookTranslator المحتوى المقروء ويعيد بناء ملف PDF مترجم ومنسق؛ ولا يضمن الحفاظ التام على تخطيط الصفحة الأصلي، أو الخطوط، أو الأحجام، أو إصلاح كل طبقة نصية مخفية سابقة.

احتفظ بتقرير حصر الصفحات وبالملف الأصلي. وبعد الترجمة، كرر عمليات الفحص عالية المخاطر على الملف المترجم: الأسماء، والكميات، والمُعرّفات، وتغطية الصفحات، وترتيب الفقرات، وأي بنية أساسية تعتمد عليها. تغطي قائمة التحقق لضمان جودة ترجمة ملفات PDF مرحلة الاعتماد النهائي هذه بالتفصيل.

القاعدة الأساسية الحاكمة بسيطة للغاية: استخرج النصوص الموثوقة بالفعل كما هي، ولا تلجأ إلى تقنية التعرف الضوئي على الحروف (OCR) إلا لما يتطلب التعرف عليه فقط، ولا تستبدل طبقة النص إلا بعد أن تثبت أنها غير صحيحة.