كيف تحوّل صورة أو مستند ممسوح إلى نص عربي قابل للتعديل

من أكثر المواقف إحباطًا: تملك مستندًا مهمًا (عقدًا قديمًا، صفحة من كتاب، لقطة شاشة لنص) لكنه في صورة فقط، ولا يمكنك نسخ كلمة واحدة منه أو تعديله. هنا يأتي دور تقنية التعرف الضوئي على الحروف (OCR — Optical Character Recognition)، التي "تقرأ" الحروف داخل الصورة وتحوّلها إلى نص حقيقي قابل للنسخ والتحرير والبحث.

لماذا يعتبر OCR للعربية أصعب من الإنجليزية؟

اللغة العربية تطرح تحديات إضافية حقيقية أمام أي نظام OCR: الحروف متصلة ببعضها وتتغيّر شكلها حسب موقعها في الكلمة (أول، وسط، آخر)، والتشكيل (الحركات) قد يتداخل بصريًا مع الحروف، والاتجاه من اليمين لليسار يتطلب معالجة مختلفة تمامًا عن اللغات اللاتينية. نظام OCR غير مصمم خصيصًا للعربية قد يُخرج نصًا مبعثرًا أو معكوسًا حتى لو كانت الصورة واضحة جدًا.

عوامل تحدد دقة النتيجة

• وضوح الصورة ودقتها (Resolution) — كلما كانت الصورة أوضح، كانت النتيجة أدق.
• استقامة النص وعدم ميلانه أو التقاطه من زاوية — نص مائل يقلل الدقة بشكل كبير.
• نوع الخط: الخطوط المطبوعة القياسية تُقرأ بدقة أعلى من الخطوط اليدوية أو الزخرفية.
• التباين بين لون النص والخلفية — نص أسود واضح على خلفية بيضاء هو الحالة المثالية.
• جودة المسح الضوئي الأصلي إن كان المستند ورقيًا قديمًا (بقع، تجعّد، بهتان الحبر تقلل الدقة).

ماذا لو كان المستند كاملًا (عدة صفحات) وليس صورة واحدة؟

كيف تجهّز الصورة لتحصل على دقة أعلى

دقة التعرّف الضوئي تتبع جودة الصورة أكثر من أي عامل آخر، وهذه ليست نصائح عامة بل ما يحدث فرقًا ملموسًا في الناتج:

• صوّر من زاوية مستقيمة فوق الصفحة لا من الجانب: الميل يجعل الأسطر منحنية والحروف ممتدة، وهو أكبر سبب منفرد لنتيجة سيئة من صورة تبدو واضحة للعين.
• اقتطع الصورة حول كتلة النص فقط: الخلفية وحواف الطاولة وأجزاء الصفحة المقابلة كلها ضجيج يُربك المحرّك.
• أضئ الصفحة إضاءة متساوية ولا تستخدم الفلاش على ورق لامع: وميض الفلاش يُشبع منطقة من الصفحة فيختفي ما فيها من حروف تمامًا.
• اجعل النص كبيرًا في الصورة: الحرف الذي ارتفاعه أقل من عشرين بكسل تقريبًا يصعب التعرّف عليه مهما كانت الصورة حادة، فاقترب بالكاميرا بدل الاعتماد على التكبير الرقمي لاحقًا.
• تجنّب الظلال العرضية: ظلّ يدك أو ظلّ الهاتف على الصفحة يقطع التباين في منتصف السطر.

اختيار اللغة هو الإعداد الأهم في الأداة

اختيار اللغة الخطأ يُفسد النتيجة حتى على صورة ممتازة، لأن المحرّك يطابق أشكال الحروف مقابل نموذج لغة معيّن — فنصّ عربي يُقرأ بنموذج إنجليزي يُنتج حروفًا لاتينية عشوائية لا أخطاء إملائية. والمحرّك هنا هو Tesseract يعمل داخل متصفحك، وكل ملفات اللغات تُخدَم من هذا الموقع نفسه لا من شبكة طرف ثالث، ولا تُحمَّل إلا عند فتح أداة تعرّف ضوئي فعلًا — ولهذا يبدو التشغيل الأول أبطأ من التالي. وللمستندات التي تخلط العربية والإنجليزية في سطر واحد، جرّب التشغيل مرتين بلغتين مختلفتين وخُذ من كل ناتج ما أصاب فيه، فهذا أسرع من تصحيح ناتج واحد مشوّش.

متى لا تحتاج التعرّف الضوئي إطلاقًا

كثيرون يشغّلون OCR على ملف لا يحتاجه، فيحصلون على نتيجة أسوأ بكثير مما كان متاحًا لهم مجانًا. الاختبار بسيط: افتح ملف PDF في أي قارئ وحاول تحديد كلمة من النص بالفأرة. إن نجح التحديد فالملف يحتوي طبقة نصية أصلًا، واستخدام أداة استخراج النص من PDF سيعطيك النص كاملًا ودقيقًا وبسرعة فائقة — لأنه يقرأ النص الموجود لا يحاول تخمينه من صورة. وإن لم تتمكّن من تحديد أي شيء فالصفحات صور فعلًا، وهنا يصبح التعرّف الضوئي على الملفات الممسوحة هو الأداة الصحيحة.

إذا كان لديك ملف PDF كامل ممسوح ضوئيًا (وليس صورة واحدة فقط)، فالمعالجة تحتاج أداة مخصصة لملفات PDF الممسوحة تقرأ كل صفحة على حدة وتخرج نصًا كاملًا للمستند بأكمله، بدل معالجة كل صفحة يدويًا كصورة منفصلة. أما إن كان المستند PDF نصيًا بالأساس (وليس نتيجة مسح ضوئي) فاستخراج نصه أبسط بكثير ولا يحتاج OCR إطلاقًا — التفريق بين الحالتين يوفر عليك وقتًا كبيرًا.