لديك صورة لصفحة كتاب، أو خطاب رسمي ممسوح، أو لقطة شاشة لمنشور، وتحتاج النص نفسه لتنسخه أو تعدّله أو تترجمه. إعادة كتابته يدويًا قد تستغرق ساعة. أما تقنية التعرف الضوئي على الحروف (OCR) فتقرأ الصورة وتعيد لك النص في دقيقة.
لكن من جرّب OCR على نص عربي يعرف أن النتيجة قد تكون ممتازة أحيانًا وكارثية أحيانًا أخرى: حروف ناقصة، ونقاط في غير مكانها، وكلمات ملتصقة. في هذا الدليل نشرح لماذا يحدث ذلك، وكيف تجهّز الصورة لتحصل على أعلى دقة، ومتى يكون OCR هو الحل الخطأ أصلًا.
- استخدم OCR استخراج النص واختر عربي فقط للنص العربي الخالص، وعربي + إنجليزي للنص المختلط.
- أفضل دقة تأتي من صور مستقيمة، واضحة، بإضاءة متساوية، وبدقة تعادل 300 DPI تقريبًا.
- الخط المطبوع البسيط يُقرأ بدقة عالية، أما الخط اليدوي والزخرفي فنتائجه ضعيفة.
- إن كان ملف PDF نصيًا أصلًا (يمكن تحديد كلماته)، فلا تحتاج OCR: استخدم PDF إلى نص.
- راجع النتيجة دائمًا، خصوصًا الأرقام والأسماء.
ما هو OCR وكيف يعمل؟
OCR اختصار لـ Optical Character Recognition، أي التعرف الضوئي على الحروف. البرنامج يرى الصورة كمجموعة نقاط ملونة، ولا يعرف أن فيها نصًا. فيمر بعدة مراحل:
- تنظيف الصورة: تحويلها إلى أبيض وأسود، وإزالة التشويش، وتصحيح الميلان.
- تحليل التخطيط: تحديد مناطق النص والصور والجداول، وترتيب الأعمدة والسطور.
- تقسيم السطور والكلمات: فصل كل سطر، ثم كل كلمة.
- التعرف: مطابقة أشكال الحروف مع نماذج تعلّمها البرنامج من آلاف النصوص. المحركات الحديثة، مثل Tesseract الذي تستخدمه كثير من الأدوات، تعتمد على شبكات عصبية تقرأ السطر كاملًا لا الحرف منفردًا.
- التصحيح اللغوي: استخدام معرفة باللغة لاختيار الكلمة الأرجح عند الشك.
جودة كل مرحلة تعتمد على السابقة. فإذا كانت الصورة مائلة أو ضبابية، يتعثر تقسيم السطور، فتتراكم الأخطاء حتى النهاية.
لماذا يعد OCR العربي أصعب من الإنجليزي؟
الحروف متصلة. في الإنجليزية المطبوعة، كل حرف منفصل عن جاره غالبًا، فيسهل تقسيم الكلمة إلى حروف. أما العربية فخط متصل بطبيعته، والحرف يتغير شكله حسب موقعه في الكلمة.
النقاط تحمل المعنى. الفرق بين «ب» و«ت» و«ث» و«ن» و«ي» في بداية الكلمة هو عدد النقاط ومكانها فقط. نقطة صغيرة يضيّعها الضغط أو الدقة المنخفضة تغيّر الكلمة كلها.
التشكيل. الحركات (الفتحة والضمة والكسرة والشدة) علامات صغيرة فوق الحروف وتحتها، قد يخلط البرنامج بينها وبين النقاط أو يتجاهلها.
تنوع الخطوط. من النسخ البسيط إلى الرقعة والديواني والثلث، بعضها يتداخل فيه الحرف مع الحرف أو يركب فوقه، وهذا صعب جدًا على الآلة.
الاتجاه والنص المختلط. النص العربي من اليمين إلى اليسار، والأرقام والكلمات الإنجليزية داخله من اليسار إلى اليمين، وعلى البرنامج أن يرتب كل ذلك بشكل صحيح.
لهذه الأسباب، تعطي الصورة نفسها دقة أقل مع النص العربي مقارنة بالإنجليزي، ويصبح تجهيز الصورة جيدًا أهم بكثير.
هل تحتاج OCR أصلًا؟ اختبار 10 ثوانٍ
ليس كل PDF يحتاج OCR. افتح الملف وحاول تحديد كلمة بالماوس:
- إن تحدد النص كلمة كلمة، فالملف نصي، والنص موجود داخله فعلًا. استخدم PDF إلى نص أو PDF إلى Word. النتيجة أدق من OCR لأنها تستخرج الحروف الأصلية لا تخمينها.
- إن تحددت الصفحة كلها كمربع واحد، أو لم يتحدد شيء، فالملف صورة، وتحتاج OCR.
- إن تحدد النص لكن نسخه أعطى رموزًا غريبة أو حروفًا منفصلة، فالملف نصي لكن ترميزه تالف، وهنا OCR هو الحل الأضمن. شرحنا هذه الحالة في دليل تحويل PDF عربي إلى Word.
خطوات استخراج النص بـ OCR
- افتح أداة OCR استخراج النص.
- اختر الصورة (JPG أو PNG) أو ملف PDF الممسوح.
- اختر لغة النص: - عربي فقط: لنص عربي خالص. يعطي أعلى دقة لأن البرنامج لا يحاول تفسير الأشكال كحروف لاتينية. - عربي + إنجليزي: لنص يجمع اللغتين، مثل مستند تقني أو فاتورة. - إنجليزي فقط: لنص إنجليزي.
- اضغط استخراج النص. في الاستخدام الأول تُحمَّل بيانات اللغة من الإنترنت، فقد تأخذ وقتًا. بعد ذلك تكون أسرع.
- انسخ النص أو احفظه، ثم راجعه.
المعالجة تتم على جهازك، والصورة نفسها لا تُرسل إلى أي خادم. ما يُحمَّل من الإنترنت هو ملف «تعليم» اللغة فقط.
جهّز الصورة لتحصل على أعلى دقة
هذا القسم هو الفرق بين نتيجة دقيقة ونتيجة تحتاج إعادة كتابة.
الدقة: لا أقل من 300 DPI للنص الصغير
إن كنت تمسح بسكانر، فاختر 300 DPI. هذه هي الدقة الموصى بها عادة لـ OCR. الدقة الأقل تضيّع النقاط والحركات، والأعلى منها، كـ 600 DPI، تفيد مع الخط الصغير جدًا، لكنها تبطئ المعالجة دون فائدة كبيرة للنص العادي.
إن كنت تصوّر بالجوال، فاقترب من الورقة حتى تملأ الإطار، ولا تصوّر من بعيد ثم تقص.
الاستقامة
الميلان ولو بدرجات قليلة يربك تقسيم السطور. صوّر من فوق الورقة مباشرة، واستخدم ماسح المستندات في الجوال لتصحيح المنظور. وإن كانت الصفحة مقلوبة أو جانبية فأدرها أولًا بـ تدوير ملف PDF. شرحنا التصوير الصحيح في دليل عمل سكانر بالجوال.
التباين والإضاءة
- نص أسود على خلفية بيضاء هو المثالي.
- الظلال على جزء من الصفحة تجعل البرنامج يرى ذلك الجزء «أسود» فيضيع النص.
- الخلفيات الملونة والزخارف والعلامات المائية تُضعف الدقة. التحويل إلى رمادي بأداة PDF أبيض وأسود قد يساعد في بعض الحالات.
لا تضغط الصورة قبل OCR
الضغط القوي يُنتج تشوهات حول الحروف، ويدمج النقاط بالحروف أو يمحوها. استخدم الصورة الأصلية أو الأقل ضغطًا، واضغط الملف بعد استخراج النص إن احتجت.
القص
قص الأجزاء غير المهمة، مثل حواف الطاولة وأصابعك والصفحة المجاورة في الكتاب. هذه الأجزاء قد يحاول البرنامج «قراءتها»، فيضيف رموزًا عشوائية.
ما الذي يُقرأ جيدًا وما الذي لا يُقرأ؟
| نوع النص | الدقة المتوقعة | ملاحظات |
|---|---|---|
| طباعة حديثة بخط بسيط (Arial، Tahoma، Simplified Arabic) | عالية جدًا | الحالة المثالية |
| كتب مطبوعة بخط نسخ تقليدي | عالية | قد تتأثر بالتشكيل الكثيف |
| صحف ومجلات بأعمدة متعددة | متوسطة إلى عالية | قد يختلط ترتيب الأعمدة |
| نص مشكّل بالكامل (قرآن، شعر) | متوسطة | الحركات قد تُفقد أو تختلط بالنقاط |
| لقطات شاشة بدقة منخفضة | متوسطة | كبّر اللقطة أو التقطها بدقة أعلى |
| خط رقعة يدوي واضح | منخفضة إلى متوسطة | تختلف كثيرًا من كاتب لآخر |
| خط ديواني أو ثلث أو زخرفي | منخفضة جدًا | الحروف متداخلة بطريقة لا تناسب OCR |
| مستند قديم باهت أو بقع | منخفضة | ارفع التباين أولًا |
مراجعة النتيجة: أين تختبئ الأخطاء؟
حتى مع دقة 98%، تعني صفحة من 300 كلمة نحو 6 أخطاء. ركّز مراجعتك على:
- الأرقام: 3 و8، و1 و7، والأرقام العربية والهندية (٣ و٢ و٧ و٨). خطأ في رقم هاتف أو مبلغ أو تاريخ أخطر من خطأ في كلمة.
- الأسماء الأعلام: لا يملك البرنامج قاموسًا للأسماء، فيخمّنها حرفيًا.
- الحروف المتشابهة بالنقاط: ب/ت/ث/ن/ي، وج/ح/خ، ود/ذ، ور/ز، وس/ش، وص/ض، وط/ظ، وع/غ، وف/ق.
- التاء المربوطة والهاء: «ة» و«ه» في آخر الكلمة.
- الهمزات: أ وإ وآ وا.
- الكلمات الملتصقة أو المنفصلة: مسافة ضائعة أو زائدة.
حيلة سريعة: الصق النص في Word أو Google Docs وفعّل التدقيق الإملائي العربي. الكلمات المسطّرة باللون الأحمر غالبًا هي أخطاء OCR.
بعد الاستخراج: ماذا تفعل بالنص؟
إلى Word: الصق النص في مستند جديد، واضبط اتجاه الفقرة من اليمين إلى اليسار، واختر خطًا عربيًا واضحًا. ستحتاج إعادة بناء العناوين والجداول يدويًا، لأن OCR يعطي نصًا لا تنسيقًا.
إلى ملف بحثي: إن كنت تجمع مراجع، فاحتفظ بالصورة الأصلية بجانب النص المستخرج، للرجوع إليها عند الشك.
للترجمة: الصق النص في أداة الترجمة. وراجع الكلمات المهمة، لأن أخطاء OCR تتضاعف بعد الترجمة.
لجعل PDF قابلًا للبحث: بعض البرامج المتقدمة تضيف طبقة نص مخفية فوق صورة الصفحة، فيصبح الملف قابلًا للبحث مع بقاء شكله. أداة WPPR تستخرج النص لتنسخه أو تحفظه، ولا تضيف طبقة مخفية إلى الملف.
حالات خاصة
جدول في صورة
OCR يستخرج نص الجدول، لكن ترتيب الخلايا قد يختلط، خصوصًا مع العربية. للجداول الصغيرة، أعد بناءها يدويًا من النص المستخرج. وللكبيرة، قص كل عمود في صورة منفصلة واستخرج نصه.
صورة فيها نص عربي وإنجليزي
اختر عربي + إنجليزي. وانتبه إلى أن ترتيب الكلمات الإنجليزية داخل السطر العربي قد يحتاج تصحيحًا.
لقطة شاشة من الجوال
لقطات الشاشة واضحة عادة لأنها ليست تصويرًا، لكن دقتها منخفضة إن كان الخط صغيرًا. كبّر المحتوى على الشاشة قبل اللقطة.
كتاب كامل
حوّل الصفحات إلى ملف PDF واحد بـ تحويل الصور إلى PDF، ثم عالجه على دفعات إن كان طويلًا جدًا، لأن OCR يستهلك ذاكرة ووقتًا مع كل صفحة. وتذكّر أن نسخ الكتب المحمية بحقوق النشر ونشرها غير مسموح، حتى لو استخرجت نصها لنفسك.
تجربة عملية: ثلاث صور، ثلاث نتائج
لتوضيح أثر تجهيز الصورة، إليك ما يحدث عادة مع ثلاث نسخ من الصفحة نفسها، وهي صفحة كتاب مطبوع بخط نسخ واضح:
الصورة الأولى: لقطة سريعة بالجوال من زاوية مائلة، في إضاءة غرفة صفراء. السطور مائلة، وأسفل الصفحة في ظل. النتيجة: الأسطر العليا مقروءة بأخطاء متفرقة، والسفلى مليئة بالحروف الخاطئة، وبعض السطور ملتصقة ببعضها. تحتاج مراجعة طويلة.
الصورة الثانية: الصفحة نفسها بماسح المستندات في الجوال، بوضع رمادي، قرب نافذة. الصفحة مستقيمة، والخلفية بيضاء متساوية. النتيجة: نص شبه كامل، والأخطاء محصورة في كلمات مشكّلة وبعض الأرقام. مراجعة سريعة تكفي.
الصورة الثالثة: الصفحة ممسوحة بسكانر بدقة 300 DPI بالرمادي. النتيجة: أعلى دقة، والأخطاء قليلة جدًا.
الفرق بين الأولى والثانية لم يكلف شيئًا إلا دقيقة من الاهتمام. هذا هو الدرس الأهم: وقت التجهيز أقل بكثير من وقت التصحيح.
OCR للمستندات الرسمية: احذر من الثقة العمياء
عند استخدام OCR على مستندات رسمية، كالعقود والفواتير وكشوف الحسابات والتقارير الطبية، تذكّر:
- لا تعتمد على النص المستخرج كبديل للأصل في أي إجراء قانوني أو مالي. الأصل هو المرجع.
- راجع كل رقم: المبالغ، والتواريخ، وأرقام الحسابات، وأرقام الهوية. خطأ رقم واحد قد يكون مكلفًا.
- انتبه للأختام والتوقيعات: OCR قد يحاول «قراءتها» فيضيف نصًا عشوائيًا في مكانها.
- احفظ الأصل والمستخرج معًا في المجلد نفسه، ليسهل الرجوع إلى الأصل عند الشك.
مقارنة بين طرق استخراج النص العربي
| الطريقة | تعمل مع | الدقة | الخصوصية | ملاحظات |
|---|---|---|---|---|
| PDF إلى نص | PDF نصي سليم | ممتازة (نص أصلي) | داخل المتصفح | لا تعمل مع الممسوح |
| OCR في WPPR | صور وPDF ممسوح | جيدة إلى ممتازة حسب الصورة | داخل المتصفح | يحمّل بيانات اللغة أول مرة |
| Google Docs (فتح PDF أو صورة) | صور وPDF | جيدة | يرفع إلى Google | يفقد التنسيق غالبًا |
| Google Lens على الجوال | صور وكاميرا مباشرة | جيدة للنصوص القصيرة | يعالج سحابيًا غالبًا | ممتاز للنسخ السريع من الكاميرا |
| برامج OCR مكتبية مدفوعة | كل الأنواع | ممتازة | على الجهاز | تحافظ على التخطيط أفضل، لكنها مكلفة |
اختر حسب ثلاثة عوامل: نوع الملف، وحساسية المحتوى، وحاجتك إلى التنسيق.
تحسين النتيجة بعد الاستخراج: سير عمل سريع
إن كان النص طويلًا، فهذا التسلسل يوفر وقتًا كبيرًا في المراجعة:
- الصق النص في Word أو Google Docs مع تفعيل التدقيق الإملائي العربي.
- استخدم «بحث واستبدال» للأخطاء المتكررة: إن لاحظت أن البرنامج يقرأ «ى» بدل «ي» في نهاية كلمات كثيرة، أو يضع مسافة قبل علامات الترقيم، فصحّحها دفعة واحدة.
- راجع الكلمات المسطّرة بالأحمر واحدة واحدة.
- قارن الأرقام بالأصل يدويًا.
- أعد التنسيق: العناوين، والفقرات، والقوائم.
- اقرأ النص كاملًا مرة أخيرة بسرعة، فالأخطاء التي لا تراها في التدقيق الإملائي، مثل كلمة صحيحة إملائيًا لكنها خاطئة في السياق، تظهر عند القراءة.
حدود OCR: متى تعيد الكتابة يدويًا؟
أحيانًا يكون الحل الأسرع هو الكتابة اليدوية:
- نص قصير جدًا، كسطرين أو ثلاثة: كتابته أسرع من تجهيز الصورة ومراجعة النتيجة.
- خط يدوي غير منتظم: نتائج OCR ستحتاج تصحيح أغلب الكلمات.
- خط زخرفي في شهادات التقدير أو بطاقات الدعوة.
- صورة تالفة جدًا لا يمكن إعادة تصويرها.
وفي الحالات المتوسطة، قد يكون OCR مفيدًا كمسودة أولى تصححها، بدل البدء من الصفر.
الأسئلة الشائعة
هل OCR العربي في WPPR مجاني؟
نعم، مجاني بالكامل ودون تسجيل. المعالجة على جهازك، وما يُحمَّل من الإنترنت هو بيانات اللغة فقط عند الاستخدام الأول.
لماذا كانت النتيجة سيئة رغم أن الصورة تبدو واضحة؟
الأسباب الأكثر شيوعًا: اختيار لغة خاطئة كالإنجليزي لنص عربي، أو خط زخرفي، أو دقة منخفضة لا تلاحظها العين على شاشة صغيرة، أو ميلان خفيف، أو خلفية ملونة. راجع قسم تجهيز الصورة.
هل يتعرف OCR على الخط اليدوي العربي؟
بدقة محدودة. الخط اليدوي الواضح والمنفصل قد يعطي نتيجة مقبولة، لكن خط اليد السريع غالبًا لا يُقرأ بدقة تكفي للاعتماد عليه.
هل يحتفظ OCR بالتنسيق؟
لا. يستخرج النص وترتيب السطور، لكن الخطوط والألوان والجداول والعناوين تحتاج إعادة تنسيق.
كم من الوقت تستغرق صفحة واحدة؟
يعتمد على جهازك وحجم الصورة. الصفحة العادية تأخذ ثوانيَ إلى دقيقة تقريبًا. والاستخدام الأول أبطأ بسبب تحميل بيانات اللغة.
هل يمكن استخراج النص من فيديو أو صورة متحركة؟
التقط لقطة شاشة واضحة للإطار الذي فيه النص، ثم استخدم OCR على اللقطة.
الخلاصة
OCR العربي يعمل جيدًا عندما تعطيه ما يحتاجه: صورة مستقيمة وواضحة، بتباين جيد ودقة كافية، والإعداد الصحيح للغة. ولا تنسَ اختبار التحديد أولًا، فإن كان الملف نصيًا أصلًا فاستخراج النص المباشر أدق. وراجع دائمًا الأرقام والأسماء والحروف المتشابهة بالنقاط.
ابدأ الآن مع OCR استخراج النص واختر «عربي فقط» لنصوصك العربية.