اجعل ملف PDF الممسوح قابلاً للبحث

تستخرج أداة OCR النص البسيط إلى ملف .txt، متجاهلةً التخطيط والصور الأصلية تمامًا. أما PDF OCR فتحافظ على صور صفحات PDF الأصلية كما هي بالضبط، وتضيف طبقة نص غير مرئية وقابلة للبحث أسفلها. استخدم OCR عندما تريد الكلمات فقط؛ واستخدم PDF OCR عندما تريد الإبقاء على المستند بصيغة PDF مع جعله قابلًا للبحث والتحديد.

لا. تُعرض كل صفحة من ملف PDF المصدر وتُدرج مجددًا كصورة مطابقة تمامًا للمسح الأصلي على مستوى البكسل (مع مراعاة إعادة ترميز JPEG). تُرسم الكلمات المُتعرَّف عليها فوقها بشفافية كاملة (صفر في العتامة)، بحيث لا يظهر أي شيء جديد؛ والطريقة الوحيدة لملاحظة الطبقة المضافة هي البحث عن نص أو تحديده.

لا. تُبقي النتيجة الصفحة صورة مسطحة واحدة؛ وتتبع طبقة النص غير المرئية مواضع الكلمات المُتعرَّف عليها، لكنها لا تحافظ على بنية الجداول، ولا على ترتيب القراءة متعدد الأعمدة بما يتجاوز ما يستنتجه tesseract.js، ولا على الخطوط الأصلية. هذه طبقة لإتاحة البحث، وليست تحويلًا للمستند إلى نص قابل للتحرير.

لا. بعد تنزيل محرك tesseract.js وحزمة اللغة من هذا الموقع (تنزيل لمرة واحدة بحجم بضع ميغابايتات عند أول استخدام)، يجري كل عرض للصفحات وكل عملية تعرّف بالكامل داخل تبويب متصفحك. لا تصل العقود الممسوحة ضوئيًا أو السجلات الطبية أو أي مستندات حساسة أخرى إلى أي خادم.

تُعرض كل صفحة كصورة ويُجرى التعرّف الضوئي عليها بشكل منفرد، وكل ذلك داخل تبويب متصفحك، لذا يزداد وقت المعالجة مع عدد الصفحات. يعكس شريط التقدم تقدمًا حقيقيًا صفحة بصفحة، والملفات محدودة بحجم أقصى قدره 80 ميغابايت للحفاظ على سير العملية بأكمله ضمن حدود ذاكرة تبويب المتصفح.

تشغيل OCR على ملف PDF يحمل بالفعل طبقة نص حقيقية أمر غير ضروري: فتحه في أي قارئ والضغط على Ctrl+F يعمل بالفعل. هذه الأداة مخصصة لملفات PDF المكوّنة من صور صفحات دون نص أساسي، وهي الناتج الشائع لماسح ضوئي مسطح أو لعملية "طباعة إلى PDF" لمستند مصوَّر.