التعرف البصري على الحروف (OCR) والمستنداات الممسوحة ضوئياً: ملفات PDF القابلة للبحث وطبقات النصوص
التعرف البصري على الحروف، استخراج النصوص، وإمكانية البحث في المستندات الممسوحة ضوئياً.
تتم معالجة ملفاتك بالكامل داخل متصفح الويب الخاص بك باستخدام HTML5 Canvas و WebAssembly. لا تغادر أي بيانات جهازك أبداً.
تخطَّ طوابير الرفع والتنزيل. تحدث التحويلات محلياً بأقصى سرعة لأجهزة الجهاز دون قيود الخادم.
متوافقة مع مواصفات ISO و W3C و IETF الرسمية لضمان توافق المخرجات عبر أنظمة التشغيل الحديثة.
مقارنة التنسيقات والمواصفات التقنية
| تنسيق الإخراج | نوع MIME | المواصفات | النوع |
|---|---|---|---|
| PDF ملف PDF ممسوح ضوئياً | application/pdf | ISO-32000-2 | ملف PDF ممسوح ضوئياً بصيغة نقطية |
| IMG صورة ممسوحة ضوئياً | image/jpeg | W3C-PNG | صورة مستند ممسوحة ضوئياً |
| TXT نص عالي | text/plain | RFC-4180-CSV | نص عادي غير منسق |
| DOCX مستند Word | application/vnd.openxmlformats-officedocument.wordprocessingml.document | ISO-IEC-29500 | مستند مايكروسوفت وورد OpenXML |
| HOCR ملف hOCR HTML | text/html | HOCR-SPEC-12 | ترميز مكاني بصيغة hOCR |
| PNG صورة | image/png | W3C-PNG | رسومات الشبكة المحمولة |
| JPG صورة JPEG | image/jpeg | W3C-PNG | مستند خبراء التصوير الفوتوغرافي المشترك |
| PDF مستند | application/pdf | ISO-32000-2 | تنسيق المستندات المنقولة |
المواصفات التقنية وتحليل الترميز (Codec)
كيف تعمل ملفات PDF القابلة للبحث
المستند الممسوح ضوئياً هو مجرد صورة لورقة. يقوم محرك التعرف البصري على الحروف (OCR) التعرف على أشكال الحروف وإدراج طبقة نصية غير مرئية وقابلة للتحديد مباشرة فوق الصورة. عندما تقوم بتحديد أو البحث عن نص في ملف PDF، فأنت في الواقع تحدد طبقة النص غير المرئية هذه.
دقة 300 نقطة في البوصة (DPI) المثالية للمسح الضوئي
المسح الضوئي للمستندات بدقة 150 نقطة في البوصة (DPI) يسبب حروفاً مقطعة ودقة ضعيفة في التعرف البصري على الحروف (OCR). المسح الضوئي بدقة 600 نقطة في البوصة يضاعف حجم الملف أربع مرات دون تحسين التعرف على النصوص. دقة 300 نقطة في البوصة هي النقطة المثالية الشاملة لدقة عالية في التعرف البصري على الحروف وأحجام ملفات مدمجة.
صفر بايت يتم رفعه إلى خوادم خارجية. تمت كل عمليات المعالجة محلياً في صندوق الحماية (Sandbox) الخاص بمتصفحك.