انتقل إلى المحتوى

تحويل PDF الممسوح ضوئيًا إلى ملف قابل للبحث (OCR)

تعرّف على النص في صفحات PDF الممسوحة ضوئيًا لتتمكن من البحث فيه وتحديده ونسخه، بتقنية OCR تعمل في متصفحك وتدعم 47 لغة.

أفلِت ملف PDF ممسوحًا ضوئيًاأو انقر للتصفح · حتى 50 MB
اختيار ملف
تعمل في متصفحك · دون رفعكيف يعمل الموقع

طريقة استخدام OCR لملفات PDF

  1. 1

    أضف ملف PDF الممسوح ضوئيًا

    أفلِت ملفًا من ماسح ضوئي أو من تطبيق مسح على الهاتف؛ تتحقق الأداة من عدد الصفحات التي تحتوي مسبقًا على نص قابل للتحديد.

  2. 2

    اختر اللغات

    الإنجليزية محددة مسبقًا ولغة متصفحك مقترحة؛ أضف حتى أربع لغات من اللغات الموجودة فعلًا في المستند.

  3. 3

    اضبط الدقة والصفحات

    وضع «الأفضل» يقرأ الصفحات بدقة 300 DPI ووضع «الأسرع» بدقة 200 DPI. يمكنك قصر المعالجة على نطاق صفحات، وتخطي الصفحات التي تحتوي على نص مسبقًا.

  4. 4

    نزّل النتائج

    احفظ ملف PDF القابل للبحث، أو نزّل كل النص المتعرَّف عليه في ملف .txt مع علامة قبل كل صفحة.

الحدود وخطة Pro

مجانًا: ملفات PDF حتى 50 MB، والتعرف على النص في ما يصل إلى 200 صفحة في المرة الواحدة، وحتى 4 لغات تعرّف معًا من أصل 47 لغة متاحة.

يرفع Pro الحد إلى 5,000 صفحة في المرة الواحدة وملفات حتى 4 GB؛ وتبقى سرعة التعرف مرتبطة بمعالج جهازك. عرض Pro

عن OCR لملفات PDF

النتيجة هي ملف PDF الأصلي نفسه مع طبقة نص غير مرئية تضاف إلى كل صفحة ممسوحة ضوئيًا. لا يعاد ضغط صورة المسح ولا رسمها، فتبدو تمامًا كما كانت، لكن كل كلمة متعرَّف عليها تقع الآن في موضعها على الصفحة: تجدها بالضغط على Ctrl+F، وتحددها بالنقر والسحب، ويعطيك النسخ واللصق نصًا حقيقيًا. تُعرض الصفحات بدقة 300 DPI (أو 200 في وضع «الأسرع») ويقرؤها Tesseract، محرك OCR المفتوح المصدر، الذي يعمل بتقنية WebAssembly في متصفحك، مع معالجة عدة صفحات بالتوازي وسطر حالة لكل صفحة.

تكتشف الأداة الصفحات الممسوحة بشكل جانبي أو مقلوب وتقرؤها في الاتجاه الصحيح، ويمكن تخطي الصفحات التي تحتوي مسبقًا على نص قابل للتحديد حتى لا تعالَج المستندات المختلطة مرتين. تُخزَّن طبقة النص بترميز Unicode، ولذلك يمكن البحث في نتائج السيريلية واليونانية والعربية والعبرية والهندية والتايلاندية والصينية واليابانية والكورية ونسخها تمامًا مثل الحروف اللاتينية. ويجمع التصدير النصي كل ما تم التعرف عليه صفحة بصفحة.

استخدامات شائعة: جعل الرسائل والعقود المؤرشفة قابلة للبحث، واستخراج الأرقام من فاتورة ممسوحة ضوئيًا، وتجهيز مستند ممسوح لتحويله إلى Word، أو توفير نص مسموع لمستخدمي قارئات الشاشة.

تعتمد الدقة على جودة المسح. النص المطبوع النظيف بدقة 300 DPI يُقرأ عادةً بشكل شبه كامل؛ أما خط اليد والصور الضعيفة التباين والخطوط الزخرفية والطباعة الصغيرة جدًا والصفحات المصورة بزاوية حادة فتنتج أخطاء أكثر. لا تُعدَّل الصفحات الشديدة الميل، والمحرك يقرأ الكلمات لا التخطيط، فتظهر الأعمدة والجداول في الملف النصي كأسطر نص عادية.

الخصوصية

تُعرض الصفحات الممسوحة ضوئيًا ويجري التعرف عليها داخل علامة التبويب هذه في المتصفح بواسطة Tesseract المحوَّل إلى WebAssembly؛ فلا يُرسل ملف PDF ولا النص المتعرَّف عليه إلى أي خادم. أما المحرك وملفات اللغات التي تختارها، وحجم كل منها من 2 إلى 15 MB، فتُنزَّل مرة واحدة من شبكة CDN عامة ويخزّنها متصفحك مؤقتًا.

الميزات

بحث ونسخ

توضع الكلمات المتعرَّف عليها فوق صورة المسح، فيعمل البحث والتحديد والنسخ في Acrobat و Preview و Chrome وغيرها من القارئات.

جودة المسح كما هي

تضاف طبقة غير مرئية فقط، فتحتفظ الأختام والتوقيعات والصور بوضوحها الأصلي ولا يكاد حجم الملف يزيد.

47 لغة

من الإنجليزية والإسبانية والألمانية إلى العربية والهندية والصينية واليابانية والكورية، مع إمكانية الجمع بين أربع لغات في المرة الواحدة.

الصفحات المدوَّرة

تُجرَّب الصفحة الجانبية أو المقلوبة في كل اتجاه ويُحتفظ بأفضل قراءة.

المستندات المختلطة

تُترك الصفحات التي تحتوي على طبقة نص كما هي، مما يوفر الوقت في ملفات PDF الممسوحة ضوئيًا جزئيًا فقط.

OCR لملفات PDF: الأسئلة الشائعة

ماذا يفعل OCR بملف PDF؟
يعثر التعرف الضوئي على الحروف على الأحرف الموجودة في صورة الصفحة ويحولها إلى نص حقيقي. هنا يوضع هذا النص بشكل غير مرئي فوق كل صفحة ممسوحة ضوئيًا، في مواضع الكلمات تمامًا، فيبدو المستند كما هو لكنه يصبح قابلًا للبحث والتحديد. لا تُعدَّل الصور، فتبقى التوقيعات والأختام والصور بجودتها الأصلية.
ما مدى دقة النص المتعرَّف عليه؟
في المستندات المطبوعة النظيفة الممسوحة بدقة 300 DPI يقرأ Tesseract عادةً كل الحروف تقريبًا بشكل صحيح. أما صور الهاتف المهزوزة والنسخ الباهتة والخطوط الصغيرة جدًا أو المزخرفة والجداول المزدحمة فتخفض الدقة، وخط اليد لا يُتعرَّف عليه في الغالب. اختيار اللغة الصحيحة مهم أيضًا، لأن المحرك يعتمد على قوائم كلماته لحسم الحروف الملتبسة.
هل يمكنه معالجة مستند بعدة لغات؟
نعم. أضف كل لغة تظهر في المستند، حتى أربع لغات، وسيأخذها Tesseract كلها في الحسبان عند كل كلمة، وهذا مناسب للعقود الثنائية اللغة أو لرسالة فرنسية مع ملخص إنجليزي. اللغات الإضافية تبطئ التعرف وقد تخفض الدقة، فلا تضف لغة غير موجودة فعلًا في المستند. تُنزَّل كل لغة مرة واحدة ثم تُخزَّن مؤقتًا.
لماذا تستغرق المرة الأولى وقتًا أطول؟
يُنزَّل محرك OCR وبيانات كل لغة تختارها عند أول استخدام، بحجم يتراوح تقريبًا بين 2 و 15 MB لكل لغة، وتُحفظ في ذاكرة التخزين المؤقت لمتصفحك. بعد ذلك تبدأ المعالجة فورًا تقريبًا. أما التعرف نفسه فيستغرق بضع ثوانٍ لكل صفحة على حاسوب محمول ووقتًا أطول على الهواتف القديمة، وتُقرأ عدة صفحات بالتوازي إذا سمح الجهاز بذلك.
هل يمكنني تحويل نتيجة OCR إلى مستند Word؟
نعم. نزّل ملف PDF القابل للبحث وافتحه في أداة تحويل PDF إلى Word، وهي تعيد بناء الفقرات والعناوين والقوائم من طبقة النص الجديدة في ملف .docx قابل للتعديل. وإذا كنت تحتاج إلى الكلمات فقط، فاستخدم «تنزيل النص (.txt)» بدلًا من ذلك: يحفظ كل ما تم التعرف عليه نصًا عاديًا، مع علامة قصيرة قبل نص كل صفحة.
أدوات pdf: كل الأدوات