كيف تحوّل ملف PDF ممسوحًا ضوئيًا إلى Markdown باستخدام OCR

لتحويل ملف PDF ممسوح ضوئيًا إلى Markdown، أضفه إلى MD Factory. يعثر التطبيق على الصفحات التي ليست سوى صور لنص، ويتعرّف على النص على جهازك باستخدام OCR المدمج، ثم يحفظ ملف Markdown بجانب ملف PDF.

يتعامل OCR جيدًا مع الصفحات المطبوعة النظيفة، ويخطئ في الصفحات الباهتة أو المائلة أو المكتوبة بخط اليد، لذا خطّط لمقارنة النتيجة بالصفحة الممسوحة. تتناول الخطوات التالية ما يختلف عن ملف PDF العادي: لغة OCR، وحالة «يحتاج إلى مراجعة»، والجداول، والكتابة اليدوية، وإعدادات الماسح الضوئي.

حوّل ملف PDF ممسوحًا ضوئيًا

1. افتح MD Factory.
2. انقر على «إضافة ملفات» واختر ملف PDF، أو اسحبه إلى النافذة. لتحويل مجلد كامل من الملفات الممسوحة، بما فيه مجلداته الفرعية، انقر على «إضافة مجلد».
3. يبدأ التحويل فورًا. مع أول ملف PDF، يظهر في الصف «تحميل محرك PDF» قبل معالجة الصفحات.
4. انتظر حتى يعرض الصف النتيجة: «اكتمل» أو «يحتاج إلى مراجعة» أو «فشل».
5. انقر نقرًا مزدوجًا على مسار النتيجة في الصف لفتح ملف Markdown.

يحمل ملف Markdown اسم ملف PDF ويُحفظ في المجلد نفسه. إذا احتوت الصفحات على صور، مثل الصور الفوتوغرافية أو الرسوم التوضيحية، فإنها تُحفظ في مجلد بجانبه. لا يتغير ملف PDF نفسه.

Scans/
  lease-agreement.pdf
  lease-agreement.md
  lease-agreement_images/

تُحوَّل ملفات PDF واحدًا تلو الآخر، بينما تُعالَج أنواع المستندات الأخرى في قائمة التحويل بالتوازي معها. يقرأ التطبيق الملفات الموجودة على الأقراص المحلية فقط. إذا كان الماسح الضوئي يحفظ الملفات في مجلد على الشبكة، فانسخ ملفات PDF إلى جهازك أولًا.

كيف يحدد التطبيق الصفحات التي تحتاج إلى OCR

تحتاج الصفحة إلى OCR عندما يكون نصها موجودًا في صورة فقط. يفحص MD Factory كل ملف PDF بحثًا عن نص قابل للتحديد، ويختار إحدى طريقتين:

• إذا لم تحتوِ أي صفحة على نص قابل للتحديد، يُعامَل الملف كله على أنه ممسوح ضوئيًا، وتُقرأ كل صفحة بكاملها باستخدام OCR.
• إذا احتوت بعض الصفحات على نص، يحتفظ التطبيق بذلك النص كما هو، ولا يشغّل OCR إلا حيث يظهر النص في صورة، مثل صفحة ممسوحة ضوئيًا داخل تقرير مكتوب على الحاسوب.

لا يحتاج ملف PDF المختلط إلى أي تجهيز. في اختبارنا، نتج عن ملف من ثلاث صفحات، أولاها وآخرها مكتوبتان على الحاسوب والوسطى ممسوحة ضوئيًا، ملف Markdown واحد يضم نص الصفحات الثلاث.

يقبل MD Factory الملفات الممسوحة بصيغة PDF فقط. أما ملفات الصور، مثل JPG أو PNG أو TIFF، فتظهر في القائمة على أنها متجاوَزة، لذا اضبط تطبيق الماسح الضوئي على الحفظ بصيغة PDF.

إذا كان ملف PDF يحتوي بالفعل على نص قابل للتحديد في جميع صفحاته، فلا يُستخدم OCR. يتناول دليل تحويل PDF إلى Markdown هذه الملفات.

اختر لغة OCR

تبدأ معالجة كل ملف PDF ولغة OCR مضبوطة على «تلقائي (كشف البرنامج النصي)». في هذا الوضع، يحدد التطبيق الأبجدية التي تستخدمها كل صفحة، مثل اللاتينية أو السيريلية أو اليونانية أو العربية، ويقرأ الصفحة بنموذج مخصص لتلك الأبجدية. في اختباراتنا على صفحات اختبار نظيفة بدقة 300 dpi ونص بحجم 12 نقطة، قرأ وضع «تلقائي» صفحة إنجليزية دون أخطاء، وصفحة روسية بأقل من حرف خاطئ واحد لكل مئة حرف.

تختار اللغة عندما ينتهي تحويل ملف PDF بحالة «يحتاج إلى مراجعة» أو «فشل»:

1. عندما تنتهي معالجة قائمة التحويل، انقر على الحالة في صف الملف. تُفتح نافذة تعرض قائمة المشكلات التي عُثر عليها.
2. افتح قائمة «لغة التعرف الضوئي على الحروف» واختر لغة المستند.
3. انقر على «إعادة المحاولة».

لا يوجد إعداد لاختيار اللغة مسبقًا. يبدأ كل ملف PDF جديد في وضع «تلقائي»، وفي المرة التالية التي تعيد فيها المحاولة تكون اللغة التي اخترتها آخر مرة محددة مسبقًا.

يعمل وضع «تلقائي» مع لغتين في صفحة واحدة إذا كانتا تشتركان في الأبجدية نفسها، مثل الإنجليزية والألمانية.

إذا اختلفت الأبجديتان، يقرأ وضع «تلقائي» الصفحة كلها على أنها مكتوبة بإحداهما. في معظم الأبجديات، يغطي ذلك النموذج الإنجليزية أيضًا، لذا تُقرأ المصطلحات الإنجليزية في صفحة يونانية أو عربية عادةً بشكل سليم. السيريلية هي الاستثناء: في اختبارنا، حصلت صفحة تحتوي على نص إنجليزي وروسي معًا على حالة «يحتاج إلى مراجعة». أعد المحاولة باللغة الرئيسية للصفحة، ثم قارن الكلمات المكتوبة بالأبجدية الأخرى بالصفحة الممسوحة.

معنى حالة «يحتاج إلى مراجعة» في الملفات الممسوحة

تعني حالة «يحتاج إلى مراجعة» أن التطبيق حفظ ملف Markdown لكنه وجد مشكلة تستحق التحقق منها. في الملفات الممسوحة، تعرض النافذة التي تُفتح من الحالة عادةً إحدى الرسائل التالية، مع رقم الصفحة بين قوسين:

إذا لم تنتج أي صفحة نصًا، يحصل الملف على حالة «فشل»، وتقترح النافذة إعادة المحاولة بعد تحديد لغة OCR صراحةً.

لا تعني حالة «اكتمل» أن كل حرف صحيح. يعتمد الفحص على المتوسط في الصفحة كلها، لذا لا يكفي حرف واحد مقروء خطأً في صفحة نظيفة لإطلاقه. في صفحة الاختبار الروسية النظيفة المذكورة أعلاه، ظهر الرقم 1248 على هيئة 124%.

قبل أن تعتمد على النص، قارن كل معلومة ستستخدمها بالصفحة الممسوحة: الأسماء والتواريخ والمبالغ وأرقام الحسابات أو الهويات.

الصفحات المائلة والمشوشة والباهتة

الميل الطفيف وبعض النقاط الصغيرة لا تشكّل مشكلة. في اختباراتنا، حصلت صفحة اختبار مائلة بنحو درجة واحدة، وضبابية قليلًا، ومغطاة بنقاط دقيقة، على حالة «اكتمل».

أما المسح الرديء فيُنبَّه إليه. صفحة ضبابية منخفضة التباين، مُسحت بدقة منخفضة ومائلة بمقدار 3.5 درجة، حصلت على حالة «يحتاج إلى مراجعة».

قبل التحويل، أدِر الصفحات المقلوبة أو الموضوعة على جانبها في تطبيق الماسح الضوئي أو في محرّر PDF. إذا حصلت صفحة على حالة «يحتاج إلى مراجعة» بسبب جودتها لا بسبب لغتها، فأعد مسحها ضوئيًا بالإعدادات الواردة أدناه.

الجداول في الصفحات الممسوحة

يبحث MD Factory عن الجداول في الصفحات الممسوحة أيضًا ويكتبها في صورة جداول Markdown. لكن كل خلية تبقى نصًا ناتجًا عن OCR، والجدول يخفي الأخطاء جيدًا: الرقم الخاطئ في عمود من الأرقام يبدو مقنعًا تمامًا كالرقم الصحيح.

قارن الجدول بالصفحة الممسوحة صفًا بصف. اجمع قيم أحد الأعمدة وقارن الناتج بالمجموع المطبوع. إذا انتقلت قيم إلى صف أو عمود خاطئ، فصحّحها في Markdown. يتضمن دليل PDF مثالًا على استعادة جدول فقد ترتيب صفوفه.

الكتابة اليدوية

يتعرّف MD Factory على النص المطبوع والمكتوب على الحاسوب. وهو غير مصمَّم للكتابة اليدوية: فقد تظهر الملاحظات المكتوبة بخط اليد والتعليقات في الهوامش وحقول النماذج المعبأة مشوّهة أو لا تظهر أصلًا.

لا تعتمد على النص المحوَّل في أي جزء مكتوب بخط اليد. احتفظ بالصفحة الممسوحة مرجعًا، واكتب تلك الأجزاء بنفسك.

امسح الصفحات ضوئيًا لنتائج OCR أفضل

تعتمد جودة التعرّف على الصورة. دليل Tesseract لتحسين جودة OCR يذكر ما يجعل الصورة صعبة القراءة، وفي المسح الضوئي يتلخص ذلك في خمسة أمور:

• امسح الصفحات بدقة 300 dpi أو أكثر. يذكر الدليل أن التعرّف يكون في أفضل حالاته بدقة لا تقل عن 300 dpi.
• ضع الصفحة مستقيمة على زجاج الماسح. الصفحة المائلة تجعل تمييز أسطر النص أصعب بكثير.
• اجعل الإضاءة متساوية، خاصةً عند تصوير الصفحات بالهاتف. الظلال والخلفية الداكنة بشكل غير متساوٍ تجعل تمييز النص عن الورق أصعب.
• أغلق غطاء الماسح الضوئي أو اقتصّ الحواف. قد تُقرأ الحواف الداكنة حول الصفحة الممسوحة على أنها حروف زائدة.
• استخدم أنظف نسخة لديك. النقاط الصغيرة وأنواع التشويش الأخرى تقلل الدقة.

احفظ كل مستند في ملف PDF مستقل. ينشئ MD Factory ملف Markdown واحدًا لكل ملف PDF، لذا فإن رزمة من الأوراق غير المترابطة ممسوحة في ملف واحد تصبح ملاحظة واحدة طويلة.

وثائق الهوية والعقود والسجلات الطبية

غالبًا ما تكون الملفات الممسوحة شخصية: جوازات سفر وعقود وكشوف حسابات بنكية وسجلات طبية. يتعرّف MD Factory على نصها على جهازك، ولا يرفع ملف PDF ولا النص المتعرَّف عليه.

يُحفظ ملف Markdown بجانب الملف الممسوح. النص الذي كان حبيس صورة أصبح الآن نصًا عاديًا يستطيع أي شخص لديه وصول إلى المجلد قراءته والبحث فيه. إذا كان ذلك المجلد متزامنًا مع OneDrive أو خدمة سحابية أخرى، فستتم مزامنة ملف Markdown أيضًا. يوضح دليلنا لتحويل المستندات دون رفعها كيفية التحقق من مكان حفظ المجلد.

في المستندات القانونية والطبية والمالية، تبقى الصفحة الممسوحة هي الأصل. تعامل مع Markdown كنسخة عمل، وقارن كل رقم بالصفحة الممسوحة قبل أن تتصرف بناءً عليه. احذف ملف Markdown ومجلد صوره عندما لا تعود بحاجة إليهما.