محول ملفات PDF الممسوحة ضوئياً إلى نص مستخرج
يؤدي تحويل ملف PDF ممسوح ضوئياً إلى نص مستخرج إلى تحويل صور المستندات المعتمدة على الصور إلى حروف نصية عادية قابلة للتعديل.
مقارنة التنسيقات والمواصفات التقنية
| المواصفات | SCANNED-PDF | TXT |
|---|---|---|
| نوع MIME | application/pdf | text/plain |
| النوع | scanned bitmap PDF document | plain text |
| الضغط | Flate / JBIG2 / DCT compression | none |
| المواصفات القياسية | ISO 32000-2:2020 | Unicode Standard / UTF-8 RFC 3629 |
| رأس البايتات السحرية (Magic Bytes) | 25 50 44 46 2D (%PDF-) | UTF-8 / ASCII plain stream |
نظرة عامة على التنسيق والاستخدامات
ملف PDF الممسوح ضوئياً هو في الأساس مجموعة من الصور الرقمية المغلفة داخل حاوية مستندات. عندما يحتاج المستخدمون إلى تحرير أو البحث عن أو فهرسة الكلمات داخل ملفات الصور هذه، تفشل برامج عرض المستندات القياسية لأنها ترى وحدات البكسل فقط بدلاً من الحروف. يعتمد تحويل ملف PDF ممسوح ضوئياً إلى نص مستخرج على برامج التعرف الضوئي على الحروف. تمسح خطوة المعالجة هذه شبكات البكسل، وتحدد أشكال الحروف، وتخرج السلسلة النصية النظيفة في ملف نصي عالمي. تستخدم المكاتب القانونية والأرشيفات التاريخية والمكتبات سير العمل هذا للتحويل يومياً. السجلات الورقية المحولة إلى مسوحات ضوئية مسطحة تستهلك مساحة التخزين وتقاوم البحث بالكلمات المفتاحية. تجعل معالجة ملفات PDF الصورية هذه إلى نص عادي ملايين الصفحات قابلة للبحث في ثوانٍ. يستخدم مطورو البرمجيات أيضاً خط الأنابيب هذا لتدريب نماذج التعلم الآلي واستخراج البيانات الخام من الإيصالات الممسوحة ضوئياً والفواتير والنموذج الحكومي دون الكتابة اليدوية.
المواصفات التقنية وتحليل الترميز (Codec)
يستخدم ملف PDF الممسوح ضوئياً نوع MIME application/pdf وعادة ما يبدأ بتوقيع البايت المميز %PDF، متبوعاً برقم الإصدار. داخل الحاوية، يعتمد محتوى الصفحة على ترميزات ضغط الصور مثل Flate أو JBIG2 أو DCT لتخزين الصور النقطية الممسوحة. يؤدي التحويل إلى نص مستخرج إلى تغيير نوع MIME إلى text/plain مع عدم وجود بايتات مميزة أو ضغط. يقرأ محرك التعرف الضوئي على الحروف بيانات الصور النقطية المضغوطة، وفك تشفير مصفوفات البكسل، وإخراج تسلسلات حروف ASCII أو UTF-8 الخام. نظراً لأن ملف TXT يحتوي على تنسيق أو أنماط أو خطوط أو صور صفرية، فإن حجم ملف الإخراج ينخفض بشكل كبير مقارنة بملف PDF المصدر.
توافق أنظمة التشغيل والمتصفحات
أنظمة التشغيل مثل ويندوز وماك أو إس ولينكس وآي أو إس وأندرويد تفتح ملفات TXT بشكل أصلي باستخدام محررات النصوص المدمجة مثل Notepad وTextEdit وNano. تعرض متصفحات الويب مستندات النصوص فوراً بدون إضافات. في المقابل، تتطلب ملفات PDF الممسوحة ضوئياً قارئات PDF مخصصة أو محركات عرض المتصفح للعرض بشكل صحيح. يضمن تحويل المستندات الممسوحة ضوئياً إلى نص عادي التوافق عبر الأنظمة القديمة، واجهات سطر الأوامر، والنصوص البسيطة لمعالجة النصوص.
💡 معلومات مفيدة
احتفظ بدقة المسح الضوئية للمصدر عند 300 نقطة في البوصة أو أعلى لمساعدة محرك التعرف الضوئي على الحروف على التقاط حواف حروف نظيفة وتقليل أخطاء التعرف على الحروف.
مقارنة التنسيقات والمواصفات التقنية
يبلغ قياس مستند PDF ممسوح ضوئياً نموذجي من 10 صفحات حوالي 5 ميجابايت بسبب الصور النقطية المدمجة. يؤدي تحويل هذا الملف إلى نص مستخرج إلى تقليص الحجم إلى حوالي 20 كيلوبايت. عبر اتصال محمول بطيء من الجيل الرابع بسرعة 15 ميجابت في الثانية، يستغرق نقل ملف PDF الضخم حوالي 2.7 ثانية، بينما يتم تنزيل ملف النص الناتج في جزء من الألف من الثانية.
الأسئلة الشائعة
كيف تحول ملف PDF ممسوح ضوئياً إلى نص مستخرج دون فقدان الجودة؟
نظراً لأن ملفات PDF الممسوحة ضوئياً تخزن صفحات المستندات كصور نقطية ذات فقدان أو بدون فقدان، فإن عملية استخراج التعرف الضوئي على الحروف تعمل كخطوة ترجمة بدلاً من التحويل البرمجي المباشر. لا تخزن ملفات النصوص الجودة المرئية أو التنسيق. تعتمد دقة التحويل بالكامل على دقة الصورة النقطية المصدر ودقة خوارزميات التعرف على الحروف.
ما الفرق بين ملف PDF الممسوح ضوئياً والنص المستخرج؟
ملف PDF الممسوح ضوئياً هو حاوية مستندات تستخدم خوارزميات الضغط الثنائي لتخزين صور الصفحات كبكسلات. النص المستخرج هو ملف نصي عادي يحتوي فقط على رموز الحروف الخام بدون ضغط أو عبء حاوية أو تنسيق أو صور.