OCR, استخراج النص من الصور وملفات PDF

تستخدم tesseract.js ملفات بيانات شبكات عصبية مُدرَّبة خاصة بكل لغة. هذه الملفات بحجم عدة ميغابايت لكل منها وتُنزَّل مرةً واحدة من هذا الموقع (نستضيفها بأنفسنا، دون أي CDN تابع لجهة خارجية) في المرة الأولى التي تختار فيها تلك اللغة. بعد التنزيل الأولي، يُخزَّن النموذج مؤقتًا في متصفحك وتعمل جميع مهام التعرف اللاحقة لتلك اللغة بصورة كاملة غير متصلة.

دقة المسح (200 DPI كحد أدنى و300 DPI موصى به) وحدة الصورة والتباين بين النص والخلفية واستقامة الصفحة تؤثر جميعها بقوة على الدقة. المسوحات المضغوطة بصيغة JPEG بكثافة والخطوط الصغيرة جدًا والصفحات ذات الاتجاهات المختلطة أو تخطيطات الأعمدة المعقدة هي أكثر مصادر أخطاء التعرف شيوعًا.

دُرِّبت tesseract.js أساسًا على النص المطبوع. دقة التعرف على خط اليد منخفضة بوجه عام وغير موثوقة، خاصةً للكتابة بالخط المتصل. للمستندات المكتوبة بخط اليد، تُنتج أدوات التعرف على خط اليد المتخصصة نتائج أفضل.

لا. بعد تخزين نموذج اللغة مؤقتًا، تتم كل مهمة تعرف بالكامل في متصفحك باستخدام tesseract.js. يمكن أن تحتوي المستندات الممسوحة على محتوى شخصي أو سري؛ المعالجة المحلية فحسب تعني أن ذلك المحتوى لا يصل أبدًا إلى خادم.

الإخراج تدفق نصي عادي بترتيب القراءة. الجداول والأعمدة والرؤوس وعناصر التخطيط الأخرى لا تُحفظ كبنية؛ تُخرج الأداة محتوى النص فحسب. للإخراج المحافظ على التخطيط، يلزم مسار OCR أكثر تقدمًا مع تحليل التخطيط.

تستطيع الأداة معالجة ملفات PDF القائمة على الصور حيث كل صفحة صورة نقطية دون نص مضمن. إذا كان ملف PDF الخاص بك يحتوي بالفعل على طبقة نص (يمكنك تحديد النص ونسخه في القارئ)، فتشغيل OCR غير ضروري؛ طبقة النص الموجودة تُعطيك المعلومات ذاتها دون خطوة التعرف.

نعم، وتعمل tesseract.js على متصفحات الهاتف المحمول، فيمكنك حتى فتح هذه الصفحة على الهاتف نفسه الذي التقط الصورة. الصور الملتقطة بزاوية أو بإضاءة غير متساوية تُتعرَّف عليها بدقة أقل من مسح ضوئي مسطح؛ تقويم اللقطة وقص الخلفية أولًا يساعد.

لا. لا يوجد تسجيل ولا رسوم. التنزيل الوحيد المعني هو نموذج اللغة لمرة واحدة الذي تحتاجه tesseract.js، وهو تنزيل محرك لمرة واحدة، لا اشتراك ولا حاجز دفع.