كيف تحوّل ملف PDF ممسوحًا ضوئيًا إلى Word، ولماذا تتفاوت النتائج

قد يبدو ملفا PDF متطابقين على الشاشة ويتصرفان بطريقتين مختلفتين تمامًا عند تحويلهما إلى Word. فأحدهما حُفظ من معالج نصوص ويحتوي على نص حقيقي. والآخر أنشأه ماسح ضوئي أو كاميرا هاتف، وكل صفحة فيه صورة فوتوغرافية لنص. ولتحويل النوع الثاني إلى مستند قابل للتحرير، يجب على أداة التحويل أن تقرأ الأحرف من الصورة أولًا، ثم تخمّن كيف كانت الصفحة منسّقة. وقد تخطئ كلتا الخطوتين، ويشرح هذا الدليل أين ولماذا، وما الذي يمكنك فعله حيال ذلك.

كيف تعرف ما إذا كان ملف PDF ممسوحًا ضوئيًا

أسرع اختبار هو محاولة تحديد كلمة واحدة. فإذا رسم المؤشر مربعًا فوق الصفحة كلها بدلًا من تمييز الكلمة، فالصفحة صورة. والبحث باستخدام Ctrl+F ‏(Cmd+F على جهاز Mac) هو الاختبار الثاني: فالصفحة الممسوحة ضوئيًا لا يُعثر فيها على شيء، حتى على كلمة تراها بعينك.

ويفيد التكبير أيضًا. فالنص الحقيقي يبقى حادًا عند أي تكبير، لأنه مرسوم من خط. أما النص الممسوح ضوئيًا فيفقد حدته ويصبح متكتلًا كلما كبّرت، لأنه مكوّن من بكسلات.

وبعض المسوحات مزيج من الاثنين. فبرامج الماسحات الضوئية كثيرًا ما تُجري التعرّف على النص عند حفظ الملف وتخفي النص المتعرَّف عليه خلف الصورة، فيمكنك التحديد والبحث. لكن جودة هذا النص المخفي لا تتجاوز جودة تخمين الماسح. انسخ فقرة إلى محرر نصوص عادي وسترى بالضبط ما هو موجود، بما في ذلك القراءات الخاطئة.

ما الذي تفعله تقنية OCR فعلًا

تقنية OCR، أي التعرّف الضوئي على الحروف، هي العملية التي تحوّل صورة نص إلى أحرف. وهي تعمل على مراحل. فتُنظَّف الصورة أولًا: تُعدَّل استقامتها إن كانت مائلة، ويُضبط تباينها. ثم يحدد البرنامج المناطق التي تحتوي على نص، ويقسمها إلى أسطر وكلمات، ويطابق كل شكل مع ما تعلّمه عن هيئة الأحرف، مستعينًا بقاموس للغة لحسم الحالات المتقاربة.

القاموس مهم، لأنه لا يساعد إلا في الكلمات. فإذا قرأت تقنية OCR الكلمة الإنجليزية «lnvoice» بحرف L صغير، فإن القاموس يعيدها إلى «invoice». أما إذا قرأت رقم حساب على أنه 1O45 بدلًا من 1045، فلا يوجد ما تُصحَّح القراءة على أساسه. والالتباسات المعتادة هي بين أحرف تتشابه في كثير من الخطوط: 0 وO، و1 وl وI، و5 وS، و8 وB، والزوج «rn» الذي قد يصبح «m». ولهذا تختبئ أخطاء OCR في الأرقام والأسماء والرموز، ولهذا تستحق هذه أدق فحص.

لماذا تتفاوت النتائج كثيرًا من مسح إلى آخر

قد تُخرج أداة التحويل نفسها نصًا شبه مثالي من مسح ضوئي ونتيجة فوضوية من آخر. والفرق يكمن في الصورة في أغلب الأحيان:

• الدقة. دقة 300 نقطة في البوصة هي التوصية المعتادة لمسح المستندات من أجل OCR. وتحت 200 نقطة في البوصة تقريبًا، تفقد الكتابة الصغيرة التفاصيل التي تميّز بين الأحرف المتشابهة. أما الكتابة الصغيرة جدًا، كالحواشي والشروط المطبوعة على ظهر النماذج، فتستفيد من دقة 400 نقطة في البوصة أو أكثر.
• الزاوية والانحناء. الصفحة المصوّرة بزاوية مائلة، أو صفحة الكتاب المنحنية نحو كعبه، تعطي أسطر نص غير مستقيمة. ويفيد تعديل الاستقامة، لكن الأسطر المنحنية كثيرًا ما تخرج وقد سقطت منها كلمات أو اندمجت.
• التباين والخلفية. الورق الملوّن، وأقلام التمييز، والأختام فوق النص، والنسخ الباهتة المأخوذة عن نسخ، كلها تجعل فصل الأحرف عمّا خلفها أصعب.
• الضغط الشديد. المسح المحفوظ بجودة JPEG منخفضة تكون حوافه ضبابية وحول كل حرف فيه لطخات. والصورة بالأبيض والأسود بجودة الفاكس تقطّع الخطوط الرفيعة.
• الكتابة اليدوية. تقنية OCR المستخدمة في تحويل المستندات مصمّمة للنص المطبوع. والملاحظات والتوقيعات المكتوبة بخط اليد تخرج عادةً خاطئة، أو تُترك صورًا.
• اللغة والتخطيط. يُدرَّب التعرّف لكل نظام كتابة ولغة على حدة، لذا تكون أنظمة الكتابة الأقل شيوعًا والصفحات متعددة اللغات أصعب. والأعمدة المتعددة والجداول بلا خطوط والنص فوق الصور تجعل خطوة التخطيط أصعب كذلك.

لماذا قد يبدو ملف Word مختلفًا حتى حين يكون النص صحيحًا

التعرّف على الأحرف ليس إلا نصف المهمة. فعلى أداة التحويل أيضًا أن تعيد بناء الصفحة بشكل يفهمه Word، وهنا تواجه موازنة. فيمكنها أن تكتب النص فقرات متدفقة عادية، يسهل تحريرها لكنها تبتعد عن التخطيط الأصلي. أو يمكنها أن تثبّت كل كتلة نص في موضعها الدقيق، فتبدو صحيحة لكن تحريرها مزعج، لأن الكتابة في كتلة لا تدفع الكتلة التالية إلى الأسفل.

وتأتي فروق أخرى من معلومات لا يحتويها المسح ببساطة. فتقنية OCR لا تستطيع معرفة الخط المستخدم، فيحصل Word على خط مشابه وتتغير مواضع فواصل الأسطر. ويمكن إعادة بناء جدول ذي خطوط مسطّرة جدولًا في Word، لكن الجدول بلا خطوط قد يصل نصًا مفصولًا بعلامات جدولة أو مسافات. وقد تقع الرؤوس والتذييلات وأرقام الصفحات في متن المستند، وتبقى الشعارات والأختام والتوقيعات صورًا.

تحويل مسح ضوئي بأداة PDF إلى Word

تشغّل أداة PDF إلى Word لدينا تقنية OCR تلقائيًا على الصفحات التي تحتاجها، فيعود المسح الضوئي ملف ‎.docx بنص قابل للتحرير، وتُحوَّل الصفحات التي تحتوي على نص أصلًا مباشرةً. ويُرسل الملف إلى مزوّد لتحويل المستندات، يذكر أنه يحذف الملف والنتيجة في غضون ثلاث ساعات. ولا يوجد حد محدد للحجم، لكن يجب أن يكتمل الرفع في غضون 40 ثانية تقريبًا، لذا يحتاج المسح الكبير جدًا إلى اتصال سريع. ويجب فتح قفل ملف PDF الذي يحتاج إلى كلمة مرور لفتحه أولًا.

ثمة أمور قليلة تستحق أن تفعلها قبل التحويل:

• أدِر أي صفحات جانبية أو مقلوبة إلى وضعها الصحيح، وأزل الصفحات الفارغة. ويفعل منظّم الملفات الأمرين دون رفع الملف.
• إذا كنت تمسح الورق بنفسك، فاستخدم دقة 300 نقطة في البوصة بتدرّج الرمادي أو بالألوان بدلًا من وضع الأبيض والأسود في الماسح، الذي قد يقطّع الأحرف الرفيعة قبل أن تصل إليها تقنية OCR أصلًا.
• إذا لم تكن تحتاج إلا إلى صفحات قليلة، فحوّلها وحدها. فيقل ما يجب التحقق منه بعد ذلك.

ما الذي تتحقق منه قبل أن تعتمد على النتيجة

تخطئ تقنية OCR في معظم المسوحات الحقيقية، ولا تنبّه حين تخطئ. فقبل أن ترسل المستند المحوَّل أو تحفظه، تحقق من:

• كل رقم مهم. المجاميع والتواريخ والمبالغ وأرقام الحسابات والمراجع وأرقام الهواتف. قارنها بالمسح الضوئي، لا بما يبدو معقولًا.
• الأسماء والعناوين. نادرًا ما تكون في القاموس، فلا شيء يصحّحها.
• الكلمات التي يسطّر تحتها المدقق الإملائي. تتجمّع الخطوط الحمراء حيث أخطأت تقنية OCR التخمين، وهذا يجعل التدقيق الإملائي في Word أداة تقريبية للعثور على الأخطاء.
• الكتابة الصغيرة والهوامش. الحواشي والأختام والملاحظات في الهامش هي أكثر النصوص التي تُفوَّت بالكامل.
• الجداول. تأكّد من أن كل قيمة في الصف والعمود الصحيحين.

ما لا يعمل جيدًا

بعض المستندات ستخيّب أمل أي أداة تحويل. فالنماذج المكتوبة بخط اليد، والفاكسات، ولقطات الشاشة للمستندات المأخوذة بدقة الشاشة، والنص الذي هو جزء من صورة أو مخطط، تحتاج عادةً إلى إعادة كتابتها حيث تكون مهمة.

أداتان أخريان من أدواتنا لا تقرآن المسوحات الضوئية إطلاقًا. فأداة PDF إلى Excel لا تقرأ إلا النص الموجود أصلًا في ملف PDF، لذا لا تستطيع استخراج جدول من صفحة ممسوحة ضوئيًا. وترفض أداة ترجمة المستندات ملفات PDF الممسوحة ضوئيًا للسبب نفسه. وفي الحالتين، يمكنك تحويل المسح بأداة PDF إلى Word أولًا، والتحقق من النص، والعمل انطلاقًا من ملف Word: انسخ جدولًا إلى Excel، أو ترجم ملف ‎.docx.

الخلاصة

تحويل ملف PDF ممسوح ضوئيًا إلى Word تخمينان متتاليان: ما هي الأحرف، وكيف بُنيت الصفحة. والمسح الحاد المستقيم بدقة 300 نقطة في البوصة يسهّل التخمينين، والفحص الدقيق للأرقام والأسماء يكشف ما تخطئ فيه تقنية OCR. تعامل مع النتيجة على أنها مسودة أولى للنص، لا نسخة من الأصل، ونادرًا ما ستُفاجأ.

هل لديك مسح ضوئي تريد تحويله إلى نص؟ جرّب محوّل PDF إلى Word.

→ العودة إلى المدونة