التعرف الضوئي على نص ملف PDF (OCR)
أداة مجانية تقرأ النص في ملفات PDF الممسوحة ضوئيًا بتقنية OCR (التعرف الضوئي على الحروف) وتحوّلها إلى ملفات PDF قابلة للبحث. يُضاف النص المقروء إلى الصفحات كنص غير مرئي، لذا تبقى الصفحات بالمظهر نفسه. يُعالَج ملف PDF داخل متصفحك ولا يُرفع أبدًا. يمكنك قراءة حتى 200 صفحة في المرة الواحدة (30 صفحة على الأجهزة التي تستغرق فيها المعالجة وقتًا أطول). يمكنك فتح ملفات PDF يصل حجم الواحد منها إلى 200 MB (100 MB على الهواتف والأجهزة اللوحية).
لا يُحمَّل نموذج الذكاء الاصطناعي (نحو 17 MB) من هذا الموقع في التشغيل الأول إلا إذا كان في ملف PDF صفحات نصها صورة، وفي المرات التالية تُستخدم النسخة المخزنة في متصفحك. لا تُرفع ملفات PDF إلى أي خادم.
الإعدادات
طريقة الاستخدام
- 1
أضف ملفات PDF
اختر ملفات PDF المراد قراءتها أو أفلتها هنا. يمكنك إضافة عدة ملفات PDF دفعة واحدة. لا تُرفع ملفات PDF إلى أي خادم.
- 2
اختر لغة المستند
في «لغة المستند»، اختر اللغة التي كُتب بها ملف PDF. لقراءة بعض الصفحات فقط، أدخلها في «نطاق الصفحات».
- 3
اقرأ واحفظ
اضغط «تنفيذ» لقراءة الصفحات التي يكون نصها صورة وإنشاء ملف PDF بطبقة نصية. احفظه بزر «حفظ»، وتحقّق من الأسطر المتعرَّف عليها بزر «التحقق من النص المتعرَّف عليه».
عن OCR لملفات PDF
يُقرأ النص بنموذج التعرف على النص من PaddleOCR (PP-OCRv6، Apache-2.0)، الذي يعمل داخل متصفحك. لا يُحمَّل نموذج الذكاء الاصطناعي (نحو 17 MB) من هذا الموقع في التشغيل الأول إلا إذا كان في ملف PDF صفحات نصها صورة؛ وفي المرات التالية تُستخدم النسخة المخزنة في متصفحك. على الأجهزة التي لا يمكنها استخدام GPU (WebGPU)، تجري المعالجة على CPU وتستغرق وقتًا أطول منها على GPU. بعد قراءة الصفحة الأولى، تقدّر الأداة الوقت الإجمالي من المدة التي استغرقتها تلك الصفحة على جهازك وتعرضه. يستخدم النص غير المرئي خطًا مصنوعًا من GlyphLessFont الخاص بـ Tesseract (Apache-2.0).
لا تُقرأ الصفحات التي تحتوي أصلًا على بيانات نصية ولا الصفحات التي تحتوي أصلًا على طبقة نصية من OCR، وتبقى كما هي. في الصفحات التي تجمع بين بيانات نصية وصور، لا تُقرأ إلا الأجزاء التي لا تتداخل مع البيانات النصية. ولا تحصل على طبقة نصية الصفحات التي تكون بياناتها النصية مشوهة (يعطي تحديد النص أحرفًا مختلفة). يؤدي اختيار اليابانية في «لغة المستند» إلى حصر التعرف في الأحرف المستخدمة في المستندات اليابانية، ويؤدي اختيار الكورية إلى استخدام نموذج كوري (نحو 13 MB، ولا يستطيع قراءة الأحرف الصينية). اضغط «التحقق من النص المتعرَّف عليه» لرؤية الأسطر المتعرَّف عليها محاطة بإطار على الصفحة، مع إظهار الأسطر الأكثر احتمالًا لاحتواء أخطاء بلون مختلف.
مواصفات هذه الأداة
- الإدخال
- الإخراج
- الحدود
- لا حد لعدد الملفات (معالجة دفعية)، حتى 200 MB لكل ملف (100 MB على الهواتف والأجهزة اللوحية)، عدد الصفحات المقروءة في المرة الواحدة حتى 200 (30 على الأجهزة التي تعالج على CPU)
- مجاني، دون تسجيل، ودون تثبيت تطبيق
- لا تُرفع الملفات أبدًا (تُعالَج داخل متصفحك)
الأسئلة الشائعة
هل يُرسل ملف PDF إلى خادم؟
لا. يجري فتح ملف PDF وقراءة النص والحفظ كلها في المتصفح على جهازك. تُرسل إلى خادم هذا الموقع إحصاءات تساعدنا على إصلاح الأخطاء (نطاق عدد الصفحات، ونطاقات عدد الصفحات والأسطر المقروءة، ونطاق الوقت لكل صفحة، وأنواع الأخطاء وما إلى ذلك). ولا تتضمن محتوى ملف PDF أو النص المتعرَّف عليه أو أسماء الملفات أو كلمات المرور أو نطاقات الصفحات التي تدخلها. يمكنك إيقاف الإحصاءات بمفتاح «إرسال إحصاءات المعالجة» أسفل الصفحة.
هل يمكنها قراءة ملف PDF محمي بكلمة مرور أو قيّده المؤلف؟
نعم. يُفتح ملف PDF المحمي بكلمة مرور بمجرد إدخال كلمة مرور الفتح. إذا قيّد المؤلف تغيير المحتوى أو النسخ والاستخراج، فلا تقرأ الأداة ملف PDF إلى أن تُدخل كلمة مرور الأذونات (لأن إضافة طبقة نصية ستجعل النص المقيَّد قابلًا للاستخراج). لا تخمّن هذه الأداة كلمات المرور، لذا إن كنت لا تعرف كلمة مرور الأذونات، فاسأل منشئ ملف PDF. يبقى تشفير ملف PDF الأصلي كما هو في ملف PDF المحفوظ. إذا كان ملف PDF يحمل توقيعًا رقميًا، فلن يعود التوقيع صالحًا في ملف PDF المحفوظ.
هل يمكنها قراءة النص العمودي أو الخط اليدوي؟
صُممت للنص المطبوع المكتوب أفقيًا. وتقرأ أيضًا صفحات النص العمودي، لكن بأخطاء أكثر من النص الأفقي، وقد تفوتها علامات الترقيم. النص المكتوب بخط اليد غير مدعوم.
هل يمكن أن يحتوي النص المتعرَّف عليه على أخطاء؟
نعم. بحسب حجم النص ودقة المسح والبقع أو الميلان في الورق، قد تُقرأ بعض الأحرف خطأً أو تُفوَّت. وتُقرأ الأرقام المتباعدة في الجداول خطأً أكثر من غيرها. عند اختيار «اليابانية» لغةً للمستند، قد تُقرأ الأحرف الواقعة خارج مجموعتي كانجي JIS من المستويين 1 و2 والرموز التعبيرية كأحرف مشابهة في الشكل. قبل استخدام ملف PDF المحفوظ، تحقّق من الأسطر الأكثر احتمالًا لاحتواء أخطاء عبر «التحقق من النص المتعرَّف عليه». لا تستطيع هذه الأداة تصحيح النص المتعرَّف عليه.
ساعدنا على تحسين الخدمة
إذا فشل تحويل ما، فإن إرسال ظروف الفشل إلينا يساعدنا على تحديد السبب. فمعرفة الأجهزة والصيغ التي يكثر فيها الفشل، والمدة التي تستغرقها المعالجة، تتيح لنا مراجعة الصيغ المدعومة وإصلاح الأخطاء المسبّبة لذلك. إن لم يكن لديك مانع، فإن إبقاء هذا الخيار مفعّلًا يساعدنا كثيرًا.
ما يُرسَل
- الأداة التي استخدمتها والإعدادات التي اخترتها (صيغة الإخراج، الجودة، وغير ذلك)
- مواصفات جهازك (GPU، الذاكرة، عدد الأنوية)
- صيغة الإدخال مع حجم تقريبي
- عدد الملفات التي نجحت أو فشلت والمدة التي استغرقتها
- نوع الخطأ وتفاصيله عند حدوث فشل
ما لا يُرسَل أبدًا
- الملفات نفسها وأسماء الملفات
- النص الموجود في ملفات PDF، والنص الذي أعدت كتابته أو حجبته، وكلمات المرور، وأسماء الخطوط، ونطاقات الصفحات التي تُدخلها
- النص المتعرَّف عليه ومواضع الأسطر المتعرَّف عليها
- عناوين IP
تذهب البيانات إلى خادم هذا الموقع فقط، ولا تذهب أبدًا إلى خدمة تابعة لجهة خارجية.
للاطلاع على القائمة الكاملة، بما في ذلك التفاصيل التي ترسلها كل أداة، راجع «إحصاءات المعالجة» في سياسة الخصوصية.
تفاصيل ترسلها هذه الأداة (أعداد وأوقات وأنواع ونعم/لا فقط)
بالإضافة إلى «ما يُرسَل»، ترسل هذه الأداة التفاصيل التالية.
- أدوات PDF (جميعها)
- نطاق عدد الصفحات، وما إذا كان التعديل مقيّدًا، وما إذا أُدخلت كلمة مرور الأذونات، وما إذا كان ملف PDF موقّعًا أو مشفّرًا.
- OCR لملفات PDF
- أعداد المدخلات والمخرجات، والصفحات المقروءة، والصفحات المقروءة دون العثور على نص، والصفحات ذات البيانات النصية التي لم تُقرأ، والصفحات التي تمزج البيانات النصية والصور، والصفحات التي كانت تحتوي مسبقًا على طبقة نصية من OCR، والصفحات ذات البيانات النصية المشوّهة، والصفحات الفارغة، والصفحات التي تعذّرت إضافة طبقة نصية إليها، والصفحات التي صُحّح اتجاهها، والصفحات التي أُغلق فيها قسم غير مغلق من المحتوى الأصلي، والأسطر والأحرف المقروءة، والمناطق والأحرف التي لم تُقرأ لتداخلها مع نص أو تعليقات توضيحية موجودة، ومرات إضافة الطبقة النصية (كلها كنطاقات)، ونطاقات نسبة الأسطر العمودية والأسطر الأكثر عرضة للأخطاء، ونطاقات الوقت لكل صفحة ووقت تهيئة نموذج الذكاء الاصطناعي، ونوع نموذج الذكاء الاصطناعي وإصداره وما إذا حُمِّل، ونطاق دقة التصيير وما إذا خُفِّضت، ونطاق عدد الأجزاء التي قُسّمت إليها الصورة للعثور على النص، وما إذا زاد الوقت المقدّر على 15 دقيقة، وما إذا أصبحت وحدة GPU غير متاحة، وما إذا أُعيد تطبيق الحماية الأصلية.