OCR PDF
حوّل ملف PDF ممسوحًا إلى مستند قابل للتحديد والبحث. 100% في متصفحك: لا يغادر ملفك جهازك أبدًا.
اختر ملف PDF ممسوحًا
أو اسحب ملف PDF إلى هنا — تُعالَج محليًا باستخدام Tesseract.js
—
أفضل مع عمليات المسح النظيفة للمطبوعات بدقة 300 نقطة في البوصة (دقة نحو 98%). تكون عمليات المسح منخفضة الدقة والنسخ المصوَّرة الباهتة والخطوط الصغيرة أقل دقة. الكتابة اليدوية غير مدعومة بشكل موثوق.
Your file is ready
Processed entirely in your browser — the file never left your device.
كيفية إجراء OCR لملف PDF
ثلاث خطوات. لا يُرفَع أي شيء.
اختر ملف PDF ممسوحًا
افتح أو اسحب ملف PDF. يبقى داخل متصفحك.
اختر اللغة والمُخرَج
حدّد لغة المستند وما إذا كنت تريد PDF قابلاً للبحث أم النص وحده.
شغِّل ونزِّل
يتعرّف Tesseract.js (WebAssembly) على كل صفحة داخل تبويبك؛ ثم تنزِّل النتيجة.
ما هو OCR وما الذي يتغيّر بعد تشغيله؟
التعرّف الضوئي على الحروف (OCR) يحوّل صورة نص إلى محارف نصية حقيقية يستطيع الحاسوب نسخها والبحث فيها وفهرستها. ملف PDF «الممسوح» ليس سوى كومة من صور الصفحات مُلصَقة داخل حاوية PDF؛ فالكلمات التي تراها بكسلات لا حروف. بعد OCR، يحصل المستند على طبقة نص غير مرئية موضوعة فوق تلك البكسلات (بحيث يبدو مطابقًا لكن Ctrl+F يعمل)، أو تكون قد استخرجت النص إلى ملف .txt بلا تنسيق يمكنك لصقه في مكان آخر. ويُتاح كلا الوضعين في الأعلى.
كيف يعمل OCR في هذه الصفحة
نستخدم Tesseract.js —وهو التصريف إلى WebAssembly لمحرّك Tesseract مفتوح المصدر من Google— يعمل داخل تبويب متصفحك. عند نقرك على تشغيل OCR:
- تُرسترة كل صفحة من ملف PDF إلى لوحة canvas بدقة 300 نقطة في البوصة باستخدام PDF.js.
- تُمرَّر بكسلات اللوحة إلى Tesseract.js، الذي يُعيد النص المُتعرَّف عليه إضافةً إلى المربعات المُحيطة بكل سطر.
- أما لـ PDF القابل للبحث، فننسخ صفحاتك الأصلية إلى ملف PDF جديد ونُراكِب النص المُتعرَّف عليه بشفافية 0: غير مرئي للعين، لكنه قابل للتحديد والبحث.
- وأما لـ نص فقط، فنُدمِج نص كل صفحة في ملف .txt واحد.
لا شيء في هذه السلسلة يستدعي خادمًا: فـ PDF.js وTesseract.js وpdf-lib تعمل من جانب العميل. والطلب الشبكي الوحيد المتعلق بـ OCR هو التنزيل لمرة واحدة لنموذج اللغة المُدرَّب (نحو 5 إلى 15 ميغابايت لكل لغة)، الذي يخزِّنه متصفحك بعدها مؤقتًا للمرة التالية.
توقعات صادقة
- نص مطبوع نظيف بدقة 300 نقطة في البوصة: عادةً دقة من 95% إلى 98% لكل محرف. تكفي للبحث وللنسخ واللصق مع تصحيح طفيف.
- دقة منخفضة (أقل من 200 نقطة في البوصة) أو صفحات مُصوَّرة: تنهار الدقة؛ يحتاج Tesseract إلى حواف حروف واضحة. أعد المسح بدقة أعلى إن استطعت.
- تخطيطات متعددة الأعمدة وجداول: يعود النص صفًّا تلو صف عبر الأعمدة. لا نُعيد ترتيبه في تسلسل قراءة منطقي. وللجداول، فكّر في PDF إلى Excel.
- الكتابة اليدوية: غير مدعومة بشكل موثوق. فـ Tesseract مُدرَّب على الطباعة؛ والمحارف المكتوبة بخط اليد كثيرًا ما تعود غير مقروءة.
- مزيج كثيف من الأبجديات: إذا كانت الصفحة نصفها عربي ونصفها لاتيني، فاختر الأبجدية الغالبة. OCR متعدد الأبجديات ممكن، لكنه أبطأ وأقل دقة.
الخصوصية والأمان
OCR فئة تكون فيها المعالجة داخل المتصفح قيّمة على وجه الخصوص. فالمستندات الممسوحة كثيرًا ما تكون من أكثر ما يملكه الناس حساسيةً —نسخ جوازات السفر، والإقرارات الضريبية، والعقود، والسجلات الطبية، وعقود الإيجار— وإرسالها إلى خادم طرف ثالث يُنشئ أثرًا لا يمكنك محوه. ولأن كل بايت في السلسلة يعمل محليًا، فلا رفع يُسجَّل، ولا ملف مؤقت يُصادَر، ولا فترة استبقاء تتطلب الثقة بها. ومحرّك OCR نفسه مفتوح المصدر وقابل للفحص.
الأسئلة الشائعة
على مسح نظيف بدقة 300 نقطة في البوصة لمستند مطبوع بلغة مدعومة، توقَّع دقة أحرف تتراوح تقريبًا بين 95% و98%. أما عمليات المسح منخفضة الدقة (أقل من 200 نقطة في البوصة) والنسخ المصوَّرة الباهتة والصفحات المائلة والخطوط الصغيرة فتخفض الدقة بوضوح. والكتابة اليدوية لا يتعرَّف عليها Tesseract بشكل موثوق — فللملاحظات المكتوبة بخط اليد تحتاج عادةً إلى محرّك مختلف (سحابي فقط).
لا. يعمل محرّك التعرّف (Tesseract.js المُصرَّف إلى WebAssembly) بالكامل داخل تبويب متصفحك. يُقرأ ملف PDF الذي تختاره إلى الذاكرة، وتُرسترة كل صفحة إلى لوحة canvas، وتُمرَّر بكسلات اللوحة مباشرةً إلى Tesseract — بلا رفع شبكي لمستندك، وبلا أي خطوة على الخادم. يمكنك التأكد من ذلك في تبويب الشبكة بمتصفحك: لا يُجلَب إلا نموذج اللغة (مرة واحدة، ثم يُخزَّن مؤقتًا).
نُدرِج مسبقًا اللغات الاثنتي عشرة التي يستخدمها موقع imisspdf.com نفسه: الإنجليزية والإسبانية والفرنسية والألمانية والبرتغالية والإيطالية والإندونيسية واليابانية والكورية والصينية (المبسَّطة) والعربية والهندية. ويدعم Tesseract نحو 100 لغة أخرى — الصِق أي رمز ISO 639-3 (مثل "vie" أو "tha") في خانة اللغة، فيُجلَب النموذج المطابق عند الطلب.
في المرة الأولى التي تُجري فيها OCR بلغة معيّنة، يُنزِّل Tesseract نموذجه المُدرَّب لتلك اللغة (عادةً من 5 إلى 15 ميغابايت) ومحرّك WebAssembly (نحو 30 ميغابايت). بعد ذلك يُخزَّنان مؤقتًا في متصفحك، فتبدأ عمليات التشغيل التالية خلال ثانية أو ثانيتين. وإغلاق التبويب لا يحذف ذاكرة التخزين المؤقت.
اختر «PDF قابل للبحث» إذا أردت الحفاظ على مظهر المستند الأصلي مع جعل نصه قابلاً للتحديد والبحث بـ Ctrl+F (يُوضَع نص OCR بشكل غير مرئي فوقه). واختر «نص فقط» إذا كنت تحتاج الكلمات وحدها — مثلاً للصقها في تطبيق ملاحظات أو تمريرها إلى أداة أخرى.