اجعل ملف PDF الممسوح ضوئيًا قابلًا للبحث

طبقة غير مرئية فوق صفحة لم تتغير

تُحفظ الصورة الممسوحة كما كانت تمامًا. والمضاف هو طبقة نص مرسومة بوضع عرض غير مرئي — أحرف حقيقية، موضوعة كلمةً كلمةً فوق الكلمات في الصورة، ومعلَّمة بحيث لا تُرسم أبدًا. تبدو الصفحة مطابقة لأنه لم يتغير فيها شيء بصريًا؛ وحين تحدّد جملة يقع التظليل على الكلمات الصحيحة لأن النص غير المرئي موجود حيث يوجد الحبر المرئي. هذه هي الطريقة القياسية لصنع مستند ممسوح قابل للبحث، ولهذا يمكن البحث في النتيجة ونسخها وفهرستها رغم أنها لا تزال صورة فوتوغرافية لمستند.

وهناك أمران في الصفحة يُصحَّحان عمدًا، لأن القراءة كانت تحتاج إليهما على أي حال. فالصفحة الممسوحة على جانبها تُدار لتصبح قائمة، والصفحة التي مرّت في وحدة التغذية مائلة تُقوَّم — لذا غالبًا ما تكون النتيجة أكثر ترتيبًا من الأصل. وتُحفظ مقاسات الصفحات كما في ملف PDF الأصلي بدل توحيدها، فيبقى المستند ذو المقاسات المختلطة كما هو ولا يُعاد تحجيم أي شيء.

تعتمد الدقة كليًا تقريبًا على المسح الضوئي، والفارق كبير جدًا. فالمسح النظيف للنص المطبوع بدقة 300 DPI يُقرأ بدقة عالية جدًا؛ والصفحة نفسها بدقة 150 DPI تُقرأ أسوأ بشكل ملحوظ؛ أما صورة فوتوغرافية ملتقطة بزاوية في إضاءة ضعيفة فمسألة مختلفة تمامًا. إذا كنت تتحكم في المسح، فإن 300 DPI بتدرج الرمادي هو الإعداد المهم — نادرًا ما تفيد دقة أعلى من ذلك، وأي دقة أقل تضر فورًا. والخط الصغير، والتباعد الضيق بين الأسطر، والخلفيات الملونة، والنسخ المصوّرة عن نسخ مصوّرة، وكل ما هو مختوم أو مكتوب بخط اليد، كلها أصعب بطرق لا يحلها أي برنامج حلًا كاملًا.

وما يُستبعد عمدًا لا يقل أهمية عما يُضاف. فالصور الفوتوغرافية والشعارات والتواقيع والرسومات الزخرفية تُتجاهل ولا تُقرأ، لأن إجبار صورة على إخراج حروف ينتج هراءً يبدو معقولًا ثم يظهر في كل عملية بحث. ويُتعرَّف على الكلمات الصينية واليابانية والكورية لكنها تُستبعد من طبقة النص وتُعدّ لك، بدل كتابتها كفراغات، إلى أن يتوفر خط يستطيع حملها. ولا شيء هنا يعيد صفّ المستند: فالكلمات على الصفحة لا تزال صورة، والتحويل إلى Word هو الأداة التي تحوّلها إلى نص قابل للتعديل.

عندما تحتاج إلى شيء آخر

OCRmyPDF هي الأداة الأصلية التي لا تعدو هذه الصفحة أن تكون بديلًا مريحًا بجانبها، وهي مجانية. يؤدي ocrmypdf --deskew --rotate-pages in.pdf out.pdf المهمة نفسها بتحكم أكبر، ويضيف --optimize 3 لتصغير النتيجة، و--redo-ocr لاستبدال طبقة نص رديئة موجودة، و--output-type pdfa لإنتاج ملف أرشيفي في الخطوة نفسها. وهي تتعامل مع آلاف الصفحات، وتعمل مع مراقِب للمجلدات، وهي ما تستخدمه المكتبات وأرشيفات المستندات فعلًا.

وللمواد الصعبة — المطبوعات التاريخية، والتخطيطات غير المألوفة، والجداول الكثيفة — تستطيع خدمة مستضافة من Google أو Amazon أو Microsoft قراءة صفحات يعجز عنها التعرّف العام، لأنها مدرّبة على مواد أكثر بكثير. هذا فرق حقيقي في القدرات ويستحق المعرفة. لكنه يعني أيضًا إرسال مستنداتك إلى طرف ثالث، وهذه بالضبط المقايضة التي وُجدت هذه الصفحة لتجنّبها — لذا فهي الخيار الصحيح لكتاب قديم هش، والخيار الخطأ لصندوق من السجلات الطبية.