التعرّف الضوئي واستخراج النص
اجعل مستنداً ممسوحاً ضوئياً قابلاً للبحث، أو استخرج النص منه.
أيّها تحتاج؟
- ملف PDF له طبقة نص أصلاً، وتريد إخراج الكلمات منه. استخراج النص يقرؤها مباشرة، داخل متصفحك، بلا أي تخمين.
- مسح ضوئي أو صورة فوتوغرافية لصفحة. لا نص فيه ليُستخرج. يحتاج التعرّف الضوئي على الحروف أولاً، وهو يقرأ البكسلات ويستنتج أي المحارف هي — ثم يمكن استخراج النتيجة والبحث فيها ونسخها.
كيف تعرف أيّ النوعين لديك
افتح الملف وحاول تحديد سطر من النص بالفأرة. فإن تبع الكلمات تحديد أزرق أنيق، فثمّة طبقة نص وسيعمل الاستخراج. وإن لم يحدث شيء، أو حدّدت مستطيلاً يغطي الصفحة كلها كأنها صورة واحدة، فهو مسح ضوئي.
والمظهر لا يخبرك بشيء: فمسح ضوئي لصفحة مطبوعة بالليزر قد يبدو على الشاشة أنقى من مستند رقمي أصيل. واختبار التحديد وحده هو الموثوق، وهو يستغرق ثانيتين.
والمستند قد يكون أيضاً جزئياً من النوعين — فتقرير رقمي المنشأ بملحق ممسوح ضوئياً مدبّس في آخره أمر شائع للغاية، ويُستخرج منه النص استخراجاً تاماً لأربعين صفحة ثم لا يعيد شيئاً.
الخطأ الذي يقع فيه الناس
الثقة بناتج التعرّف الضوئي دون قراءته. التعرّف الضوئي تخمين جيد جداً وهو تخمين على كل حال. والمحارف التي يخلط بينها أكثر من غيرها هي أهمها: 0 و O، و1 و l و I، و5 و S، و8 و B. والرقم المقروء خطأً في رقم مرجعي أو في مبلغ لا يبدو خاطئاً في أي موضع — فالجملة ما زالت تُقرأ قراءة طبيعية — فينجو من تدقيق كان سيلتقط كلمة مكتوبة خطأً. تفقّد الأرقام واحداً واحداً بمقابلتها على الأصل.
يستحق القراءة قبل أن تبدأ
الأمور الثلاثة التي يتمنّى الناس في الأغلب أنهم عرفوها قبل هذا النوع من العمل.