تحويل PDF ممسوح إلى نص عربي قابل للتحرير: دليل OCR خطوة بخطوة
عندك ملف PDF ممسوح ضوئياً ولا تستطيع نسخ كلمة واحدة منه؟ في هذا الدليل تتعلم كيف تحوّله إلى نص عربي يمكن البحث فيه وتحريره، وأي الأدوات تدعم العربية فعلاً وأيها لا تدعمها.
- ما هي تقنية OCR؟
- الفرق بين PDF النصي وPDF المصوّر
- كيف تعرف أن ملفك يحتاج إلى OCR؟
- جهّز الملف قبل التحويل
- الطريقة الأولى: Google Drive وGoogle Docs
- ماذا عن Adobe Acrobat؟
- الطريقة الثانية: Tesseract للمتقدمين
- من صورة مستند إلى ملف Word
- PDF قابل للبحث دون تغيير مظهره
- أخطاء OCR العربي الشائعة
- حماية الوثائق الحساسة
- مقارنة بين الأدوات
- متى تراجع النص يدوياً؟
- الأسئلة الشائعة
ما هي تقنية OCR؟
OCR هي اختصار Optical Character Recognition، أي «التعرف الضوئي على الحروف». فكرتها أن البرنامج ينظر إلى صورة فيها كلام، ثم يحاول تحديد أشكال الحروف والكلمات ويحوّلها إلى نص حقيقي يفهمه الحاسوب. قبل OCR تكون الصفحة مجرد صورة، وبعده تصبح نصاً يمكنك نسخه ولصقه وتصحيحه والبحث فيه بالاختصار Ctrl+F.
العربية أصعب من الإنجليزية على برامج OCR لأسباب معروفة: الحروف تتصل ببعضها ويتغير شكل الحرف بحسب موقعه في الكلمة، والنقاط والهمزات علامات صغيرة يسهل أن تضيع في صورة رديئة، والكتابة من اليمين إلى اليسار تتداخل مع الأرقام والكلمات اللاتينية داخل الجملة نفسها. لذلك لا يكفي أن تسأل «هل الأداة تدعم OCR؟»، بل اسأل: هل تدعم العربية تحديداً؟
الفرق بين PDF النصي وPDF المصوّر
ملف PDF ليس نوعاً واحداً. هناك نوعان يبدوان متطابقين على الشاشة، لكنهما مختلفان جداً من الداخل:
- PDF نصي: أُنشئ من برنامج مثل Word أو من موقع، فيحتوي على نص حقيقي. تستطيع تحديد الكلمات ونسخها مباشرة، ولا تحتاج إلى OCR.
- PDF مصوّر (ممسوح ضوئياً): كل صفحة فيه صورة التقطها الماسح الضوئي أو كاميرا الهاتف. العين ترى كلاماً، لكن الحاسوب يرى بكسلات فقط. هذا هو النوع الذي يحتاج إلى OCR.
وهناك نوع ثالث شائع: ملف مصوّر أُضيفت إليه طبقة نص خفية بجودة ضعيفة، فتجد أنك تستطيع النسخ لكن الناتج حروف مبعثرة. في هذه الحالة أعد تنفيذ OCR بأداة تدعم العربية بدل الاعتماد على الطبقة الموجودة.
كيف تعرف أن ملفك يحتاج إلى OCR؟
جرّب هذه الاختبارات الثلاثة السريعة، وهي تكفي في أغلب الحالات:
- افتح الملف وحاول تحديد جملة بالفأرة. إن لم يظهر تحديد على الكلمات بل على الصفحة كاملة، فالملف صورة.
- اضغط
Ctrl+Fوابحث عن كلمة تراها بوضوح في الصفحة. إن قال القارئ «لا توجد نتائج» فلا يوجد نص قابل للبحث. - انسخ سطراً ولصقه في محرر نصوص. إن ظهرت حروف مقطّعة أو رموز غريبة، فالطبقة النصية الموجودة سيئة وتحتاج إلى OCR جديد.
إن كنت تتعامل مع وثائق إدارية أو مراسلات رسمية ممسوحة، فستجدها غالباً من النوع المصوّر. وقد جمعنا في مقالنا عن تطبيقات الخدمات الإلكترونية الحكومية في المغرب أهم ما ينفعك لتقليل الاعتماد على الورق من الأصل.
جهّز الملف قبل التحويل
أكبر خطأ يرتكبه المبتدئ هو أن يرفع صورة ضعيفة ثم يلوم الأداة على النتيجة. تذكر أن OCR يقرأ البكسلات، وإن لم تكن الحروف واضحة للعين فلن تكون واضحة للبرنامج. تنصح صفحة المساعدة الرسمية لـGoogle Drive بما يلي:
- الصيغ المدعومة: ملفات PDF متعددة الصفحات وصور بصيغة JPEG وPNG وGIF.
- حجم الملف: ألا يتجاوز 2 ميغابايت.
- الدقة: أن يكون ارتفاع النص 10 بكسل على الأقل.
- الاتجاه: أن يكون المستند معتدلاً وليس مقلوباً، فإن كانت الصورة مدارة فاضبطها قبل الرفع.
- الجودة: صور حادة، إضاءة متساوية، وتباين واضح بين النص والخلفية.
عملياً: صوّر المستند بإضاءة طبيعية من الأعلى بلا ظل للهاتف على الورقة، وثبّت الهاتف موازياً للصفحة، ولا تتجاهل الحواف المطوية. وإن كان حجم الصورة أكبر من الحد المسموح فاستخدم أداة ضغط الصور أونلاين، لكن لا تبالغ في الضغط، فالصورة المضغوطة بشدة تفقد تفاصيل الحروف الصغيرة وتزيد الأخطاء. المطلوب أن تنزل تحت 2 ميغابايت مع بقاء النص مقروءاً بوضوح.
الطريقة الأولى: Google Drive وGoogle Docs
هذه أبسط طريقة مجانية، ولا تحتاج إلى تثبيت برنامج. تدرج مساعدة Google «العربية (الفصحى الحديثة)» ضمن اللغات المدعومة، وتذكر أن Drive يكتشف لغة المستند تلقائياً. الخطوات على الحاسوب:
- ادخل إلى
drive.google.comبحسابك وارفع ملف PDF أو الصورة. - اضغط بزر الفأرة الأيمن على الملف.
- اختر فتح باستخدام (Open with) ثم مستندات Google (Google Docs).
- انتظر حتى يفتح مستند جديد. يوصف الناتج عادة بأن الصورة الأصلية تظهر في الأعلى والنص المستخرج تحتها، فاحذف الصورة بعد المراجعة إن لم تحتجها.
- راجع النص وصحّحه، ثم احفظه أو نزّله بالصيغة التي تريد.
ميزة هذه الطريقة أنها سريعة وتناسب المستندات النصية البسيطة: رسالة، صفحة من كتاب، إشعار، أو نص قصير من صورة. وعيبها أن الناتج مستند جديد لا يحافظ على شكل الصفحة الأصلية، وأنك ترفع ملفك إلى خدمة سحابية، وهو ما نعالجه في قسم الخصوصية أدناه.
وإن كانت عملية التحويل تسير في الاتجاه المعاكس عندك، أي من نص إلى ملف، فجرّب أداة تحويل النص إلى PDF أونلاين لإنشاء ملف PDF جاهز بعد الانتهاء من تصحيح النص.
ماذا عن Adobe Acrobat؟
كثير من الناس يظنون أن Adobe Acrobat هو الحل الطبيعي لكل ما يخص PDF، وهو كذلك في كثير من المهام. لكن الأمر مع OCR العربي مختلف. صفحة Adobe الرسمية «Supported languages for OCR» لخدمة Export PDF تعدد لغات منها الإنجليزية والإسبانية والفرنسية واليابانية والروسية والإيطالية والبرتغالية والدنماركية والنرويجية والفنلندية والسويدية والهولندية والصينية التقليدية، ولا تذكر العربية. كما أفاد ممثلون لـAdobe في مجتمع Adobe (أبريل 2025) بأن OCR المدمج في Acrobat لا يدعم العربية رسمياً.
الخلاصة: Acrobat ممتاز لتعديل ملفات PDF وتوقيعها ودمجها، لكن لا تبنِ سير عملك لاستخراج النص العربي عليه إلا بعد التأكد. وهذا هو السبب في أننا اعتمدنا Google Drive وTesseract أساساً في هذا الدليل.
الطريقة الثانية: Tesseract للمتقدمين
Tesseract محرك OCR مفتوح المصدر بترخيص Apache 2.0، ويدعم لغات كثيرة منها العربية برمز ara. هو مجاني ويعمل على جهازك دون رفع الملفات إلى أي خدمة، لكنه أداة سطر أوامر، فهو أنسب لمن لا يخاف من الطرفية. الفكرة العامة:
- ثبّت Tesseract على جهازك.
- تأكد من وجود ملف اللغة
ara.traineddataفي مجلدtessdata، ويمكن تنزيله من مستودع tessdata الرسمي على GitHub إن لم يكن مثبتاً مع الحزمة. - حوّل صفحات PDF إلى صور (مثلاً PNG) إن كان ملفك PDF.
- نفّذ الأمر التالي على الصورة:
tesseract page1.png page1_text -l ara
سينشئ هذا الأمر ملف page1_text.txt فيه النص المستخرج. وإن أردت أن يكون الناتج PDF قابلاً للبحث يحتفظ بصورة الصفحة ويضيف طبقة نص، أضف الصيغة في آخر الأمر:
tesseract page1.png page1_searchable -l ara pdf
ولمزيج العربية والإنجليزية في الصفحة نفسها يمكن الجمع بين اللغتين بعلامة +، مثل -l ara+eng. جرّب ذلك على صفحة واحدة أولاً قبل معالجة ملف كبير، وقارن النتيجة بالأصل.
من صورة مستند إلى ملف Word
الوصول إلى ملف Word قابل للتحرير يتم عملياً على مرحلتين، وهما أنسب لمن لا يريد استخدام الطرفية:
- نفّذ OCR عبر Google Docs كما في الطريقة الأولى، فتحصل على مستند يحتوي النص.
- من قائمة ملف اختر تنزيل ثم Microsoft Word (.docx).
- افتح الملف في Word وتأكد من اتجاه الفقرات من اليمين إلى اليسار وأن الخط يدعم العربية.
إن كانت عندك عدة صفحات مصورة، فالأفضل أن تجمعها أولاً في ملف PDF واحد ثم ترفعه مرة واحدة، لأن ذلك أسرع من رفع كل صورة على حدة. ولا تنسَ الحد المقترح البالغ 2 ميغابايت للملف الواحد: إن تجاوزه ملفك فقسّمه إلى أجزاء أصغر.
PDF قابل للبحث دون تغيير مظهره
أحياناً لا تريد مستند Word جديداً، بل تريد أن يبقى PDF كما هو (التوقيعات والأختام والتخطيط) ويصبح قابلاً للبحث والتحديد. هنا الحل هو «الطبقة النصية الخفية»: الأداة تبقي صورة الصفحة كما هي وتضع خلفها نصاً غير مرئي في المواضع نفسها. أمر Tesseract الأخير بصيغة pdf يفعل ذلك. أما استخراج Google Docs فيعطيك مستنداً جديداً لا يحافظ على شكل الصفحة، فلا تستخدمه لهذا الغرض.
بعد إنشاء النسخة القابلة للبحث، افتحها وجرّب Ctrl+F على كلمات عدة من أماكن مختلفة. إن وجدت الكلمات فالطبقة تعمل. واحتفظ دائماً بنسخة من الملف الأصلي، فهو مرجعك إن ظهر خطأ في النص المستخرج.
أخطاء OCR العربي الشائعة
لا يوجد برنامج OCR يضمن نتيجة مطابقة تماماً للأصل، لذلك اعرف مواضع الخطأ المتوقعة وراجعها أولاً. هذه أنماط معروفة في التعرف على الكتابة العربية، وهي ليست نتيجة اختبار قياسي أجريناه على أداة بعينها:
- الهمزات: قد تتحول «أ» و«إ» إلى «ا» أو تضيع «ء»، وهذا يغيّر الكلمة أحياناً (مثل أمن وامن).
- التاء المربوطة والهاء: يتشابه شكلهما في نهاية الكلمة، ويزيد الأمر سوءاً عند وجود نقطتين صغيرتين باهتتين.
- الياء والألف المقصورة: لقربهما في الشكل تُخلط إحداهما بالأخرى في نهاية الكلمات.
- النقاط: حروف مثل ب وت وث ون وي تتشابه ويفرق بينها عدد النقاط وموضعها، فإذا ضاعت نقطة تغيّر الحرف.
- التشكيل: الفتحة والضمة والكسرة والشدة تُهمل غالباً أو تنتج رموزاً زائدة، خاصة في الكتب القديمة.
- الأرقام: قد يختلط الأرقام الهندية (١٢٣) والغربية (123)، فراجع التواريخ والمبالغ وأرقام الهواتف كلها بعينك.
- النص المختلط: وجود كلمات إنجليزية أو أرقام داخل جملة عربية قد يقلب ترتيبها في الناتج.
- الجداول والأعمدة: كما تنبّه Google، لا يُتوقع أن يحافظ التحويل عليها، وقد يخلط ترتيب الخلايا.
نصيحة عملية: ابدأ مراجعتك بالأرقام والأسماء والتواريخ، لأن خطأً في رقم أخطر من خطأ في حرف داخل كلمة مألوفة.
حماية الوثائق الحساسة قبل رفعها إلى أدوات سحابية
عندما ترفع ملفاً إلى أي خدمة OCR سحابية، فأنت ترسل محتواه إلى خوادم طرف آخر. هذا مقبول لمقال أو ملف دراسي، لكن فكّر مرتين قبل رفع بطاقة هوية أو كشف حساب بنكي أو عقد أو ملف طبي. يُستحسن اتباع هذه الاحتياطات:
- اطلع على سياسة الخصوصية للخدمة، ولا ترفع إلى مواقع مجهولة تعد بتحويل «مجاني فوري» دون أن تعرف من يملكها.
- غطِّ أو احذف المعلومات التي لا تحتاجها (رقم بطاقة، عنوان، رقم حساب) قبل الرفع إن لم تكن ضرورية للنص.
- للوثائق الحساسة جداً فضّل أداة تعمل محلياً على جهازك مثل Tesseract.
- احذف النسخ المؤقتة من الحساب السحابي بعد الانتهاء، وأفرغ سلة المحذوفات.
- أمّن حسابك الذي يحوي الملفات. فعّل التحقق بخطوتين، وانظر في مفاتيح المرور Passkeys لحماية حساب Google بدون كلمة مرور.
- تذكر أن كل ملف تتركه في السحابة جزء من أثرك الرقمي؛ اقرأ دليل البصمة الرقمية وحماية الخصوصية لتفهم حجم هذا الأثر.
هذه نصائح عامة للحماية وليست استشارة قانونية. وإن كانت الوثيقة تخص جهة رسمية أو شركة لها سياسة داخلية، فاتبع تعليماتها قبل رفعها إلى أي أداة خارجية.
مقارنة بين الأدوات المجانية والمدفوعة
| الأداة | التكلفة | دعم العربية | أنسب استخدام | أبرز قيد |
|---|---|---|---|---|
| Google Drive وGoogle Docs | مجاني مع حساب Google | العربية (الفصحى الحديثة) ضمن قائمة اللغات المدعومة | نص بسيط من صورة أو PDF قصير | حد 2 MB، والناتج مستند جديد يفقد الجداول والأعمدة غالباً |
| Tesseract | مجاني ومفتوح المصدر | نعم، برمز ara | معالجة محلية وPDF قابل للبحث ودفعات كبيرة | يحتاج إلى سطر الأوامر وبعض الإعداد |
| Adobe Acrobat | مدفوع | العربية غير مذكورة في قائمة Adobe الرسمية لـOCR وقت التحقق | تعديل ملفات PDF ودمجها وتوقيعها | تحقق من اللغات في نسختك قبل الشراء |
| برامج OCR تجارية أخرى | غالباً مدفوعة | يختلف، فتحقق من قائمة اللغات الرسمية | جداول معقدة وحجم عمل كبير | تكلفة وتفاوت في جودة العربية |
إن كنت مبتدئاً فابدأ بـGoogle Drive. وإن احتجت إلى خصوصية أعلى أو PDF قابل للبحث فاستخدم Tesseract. ولا تدفع مقابل أداة قبل أن تجربها على صفحة عربية حقيقية من مستنداتك أنت.
متى تحتاج إلى مراجعة النص يدوياً؟
الجواب الصادق: دائماً، لكن بدرجات تتفاوت. المراجعة الدقيقة لازمة إذا كان النص سيُنشر أو يُرسل إلى جهة رسمية أو يحوي أرقاماً وأسماء، أما إذا كنت تريد فقط البحث داخل أرشيفك القديم فيكفي أن تقبل بعض الأخطاء الصغيرة. وهذه طريقة عملية للمراجعة:
- ضع النص المستخرج وصورة الصفحة جنباً إلى جنب، وراجع سطراً بسطر.
- ابدأ بالأرقام والتواريخ والأسماء والمبالغ.
- ابحث عن الكلمات المشبوهة التي تحوي حروفاً غير مألوفة أو علامات غريبة.
- قارن عدد الكلمات في النص المستخرج بتقديرك لعدد كلمات الصفحة، فإن كان أقل بكثير فقد سقطت أجزاء. يساعدك على ذلك أداة تحليل النصوص المتقدمة لعدّ الكلمات والجمل والفقرات.
- أعد تنسيق الجداول والقوائم يدوياً إن وجدت.
وإن كنت تبحث عن أدوات مساعدة أخرى لهذه المهام، فتصفح قائمة أفضل أدوات تقنية مجانية أونلاين لدينا.
الأسئلة الشائعة
الخلاصة
تحويل PDF ممسوح إلى نص عربي ممكن اليوم بأدوات مجانية، لكن النتيجة تتحدد بثلاثة أمور: جودة الصورة، واختيار أداة تدعم العربية فعلاً، ومراجعتك البشرية. ابدأ بـGoogle Drive للنصوص البسيطة، واستخدم Tesseract عندما تريد PDF قابلاً للبحث أو خصوصية أعلى، ولا تفترض أن Acrobat سيقرأ العربية قبل أن تفحص قائمة لغاته. وفوق ذلك كله، لا ترفع وثيقة حساسة قبل أن تفكر أين سيذهب ملفك.
0 تعليق