التعرف الضوئي على PDF

افتح الملف في أي عارض وحاول تحديد سطر من النص. إذا لم يُظلَّل شيء أو لم يجد البحث أي تطابقات، فالصفحات مجرد صور (مسح ضوئي أو صورة) وOCR هو ما يضيف النص المفقود. ملف PDF الذي يحتوي أصلًا على نص قابل للتحديد لا يحتاج إلى هذه الأداة.

تُعرض أكثر من 100 حزمة لغة لـ Tesseract، من الإنجليزية والإسبانية إلى العربية والهندية واليابانية والصينية. حدّد كل لغة تظهر في المستند؛ تُحمَّل الحزم معًا فيُتعرَّف على الصفحات متعددة اللغات في مرة واحدة. وبعض النشرات المستضافة ذاتيًا تضمّن قائمة أقصر وتذكر ذلك فوق منتقي اللغة.

لا. تُنسخ الصفحات الأصلية دون تغيير وتُرسم طبقة نص غير مرئية فوقها، موضوعة كلمة بكلمة لتطابق المسح. ترى الصورة نفسها كما كانت، لكن يمكنك الآن البحث في النص وتحديده ونسخه.

عالية (288 DPI) هي الافتراضية وتناسب مستندات المكاتب المعتادة. انتقل إلى قياسية (192 DPI) عندما تهم السرعة أو يكون الملف طويلًا، واستخدم فائقة (384 DPI) للخط الصغير والحواشي السفلية والمسوحات الرديئة. تستغرق الإعدادات الأعلى وقتًا أطول بشكل ملحوظ لأن كل صفحة تُعرض بذلك الحجم قبل التعرف.

يقصر الناتج على مجموعة ثابتة من الأحرف، مما يقلل أخطاء مثل قراءة حرف l صغير على أنه 1. يسمح الإعداد المسبق للفواتير بالأرقام والرموز $ . , / - # : فقط، ويناسب الأرقام فقط الأرقام التسلسلية أو قراءات العدادات، ويتيح المخصص كتابة مجموعتك الخاصة.

ليس بشكل موثوق. تدرّب Tesseract على النص المطبوع، لذا تنجح الحروف الكبيرة المرتبة أحيانًا لكن الخط المتصل ينتج في الغالب ضوضاء. تكون النتائج أفضل على الصفحات المطبوعة النظيفة جيدة الإضاءة؛ ويساعد خيار التحويل إلى أبيض وأسود (Binarize) مع المسوحات الباهتة أو منخفضة التباين، ويُقوّم تقويم PDF المائلة منها أولًا.

نعم. عند انتهاء OCR يظهر النص المستخرج في مربع يمكنك فيه مراجعته أو نسخه إلى الحافظة أو تنزيله باسم ocr-text.txt. تنزيل PDF القابل للبحث منفصل، لذا يمكنك أخذ أيٍّ منهما أو كليهما.

لا. يعمل Tesseract بتقنية WebAssembly داخل متصفحك؛ والتنزيلات الوحيدة هي محرك OCR وحزم اللغات التي اخترتها، وتُجلب عند أول حاجة إليها. وتبقى الصفحات الممسوحة والنص المتعرَّف عليه على جهازك.