OCR لملف PDF
أضف طبقة نصية قابلة للبحث إلى مستند ممسوح ضوئيًا.
تعمل هذه الأداة داخل متصفحك بالكامل. لا يُرفع ملفك أبدًا، ويمكنك التحقق من ذلك في تبويب الشبكة بمتصفحك. تحقّق بنفسك: افتح تبويب الشبكة في متصفحك وراقب. سترى طلبًا صغيرًا واحدًا يسأل إن كان لديك مهام متبقية — اسم أداة وبصمة تجزئة، وليس الملف أبدًا.
ماذا تفعل هذه الأداة
A scanned PDF is a picture of a document, so searching it finds nothing and selecting a word selects nothing. This renders each page, recognises the words on it, and draws them back over the image invisibly, so the page looks as it did and the words are suddenly there. Recognised pages are rebuilt from that rendering: they come out grayscale at the resolution you chose, and any links, form fields or annotations they carried do not survive. Pages that already have real text are left alone, byte for byte.
Reach for it whenever a document arrived as pictures rather than words: a contract someone scanned and emailed, a receipt photographed on a phone, a fifty-page report from an office machine, or an old paper you need to quote from without retyping it.
كيف تعمل
- Drop the scan onto this page. PDFs work, and so do JPEG, PNG, WebP and TIFF images - an image becomes a one-page PDF first.
- Choose the language. English and Indonesian are installed, and the combined mode recognises both at once in a document that mixes them.
- Leave the mode on only pages without text unless you know for certain that every page is a scan.
- Set the resolution if you need to. 300 dpi suits ordinary print; go towards 400 for very small type, or down towards 150 for a long document on a slow machine.
- Choose whether you want the searchable PDF, a plain text file, or both, then press Run OCR.
Recognition costs something on the pages it touches, and it is better to know before than after. Each recognised page is rendered to a grayscale image at your chosen resolution, and the new page is that image with the invisible words drawn over it. Colour on those pages is gone, and their links, form fields and annotations are not carried across. Skipped pages are copied untouched. The file usually grows, sometimes a lot, because a 300 dpi page image is bigger than the compressed scan it replaced - Compress PDF is the normal second step.
The words have to land in the right place or a text layer is worse than none. The recogniser returns each word's box in the pixels of the rendered image, counting down from the top, while a PDF page counts up from the bottom, so every box is scaled by the render ratio and flipped. Words scored below 40 out of 100 are left out entirely: a confidently wrong word sends search to the wrong page, while a gap only sends it nowhere.
Nothing is uploaded, and that includes the recogniser itself. tesseract.js fetches its WebAssembly core and its language data from a third-party CDN unless told otherwise, which would have meant your scan quietly announcing itself to a third party the first time anyone here ran OCR, so all of it is served from this site instead. The cost is a one-off download. The benefit is that recognition involves nobody else at all, which you are welcome to check in the network tab.
Resolution decides both how accurate the reading is and how long you wait for it. Below about 200 dpi, thin serifs and small print break up and accuracy falls away quickly. Above 300 the gains get small while render time and output size keep climbing. 300 is the default because that is roughly where the curve flattens for ordinary body text.
ما لا تستطيع هذه الأداة فعله
- Handwriting is not recognised. The engine is trained on printed type, and a handwritten page comes back as scattered nonsense rather than words.
- Only English and Indonesian models are installed, so a document in another language cannot be read properly here.
- Recognised pages are rebuilt as grayscale images, so colour is lost on them and their links, form fields and annotations do not survive.
- The output is a machine's reading, not a proofread transcript. Faint scans, unusual typefaces, tables and tight columns all produce mistakes.
أسئلة يطرحها الناس
- ما مدى دقة التعرّف؟
- على مسح ضوئي نظيف بدقة 300 dpi لنص مطبوع، تعود الصفحة عادةً بحفنة أخطاء لا أكثر، وتذكر النتيجة متوسط درجة الثقة لترى كيف حكم المحرّك على عمله. أما النسخ الباهتة والصفحات المائلة والأعمدة الضيقة والخطوط الزخرفية فتخفض ذلك كلها. والكلمات التي تقلّ درجتها عن 40 من 100 تُستبعد بدل تخمينها.
- ما اللغات التي تستطيع قراءتها؟
- الإنجليزية والإندونيسية، إضافة إلى وضع مشترك يتعامل مع الاثنتين داخل المستند نفسه - وهو مفيد لعقد مطبوع إلى جانب ترجمته. ونموذج اللغة هو ما يجعل التعرّف ممكنًا أصلًا، ولا تُشحن سوى هاتين، لذا فمستند بلغة أخرى ليس شيئًا تجيده هذه الأداة.
- لماذا نزّلت عدة ميغابايتات في المرة الأولى؟
- تلك أداة التعرّف وبيانات لغتها، وهي تُقدَّم من هذا الموقع لا من شبكة توصيل طرف ثالث، حتى لا يتصل تشغيل OCR بأحد آخر بصمت. الإنجليزية نحو 11 ميغابايت والإندونيسية نحو 4 ميغابايت. ويخزّنها متصفحك مؤقتًا، فيبدأ التشغيل الثاني فورًا، ومن ثم يعمل OCR بلا أي اتصال إطلاقًا.
- ماذا يفعل خيار "الصفحات التي بلا نص فقط" فعلًا؟
- يفحص كل صفحة بحثًا عن طبقة نصية موجودة ولا يتعرّف إلا على الصفحات التي لا طبقة لها. فمعظم المستندات الممسوحة ضوئيًا تحتوي صفحة واحدة على الأقل لم تُمسح قط، وتشغيل OCR عليها يستبدل بنص دقيق تقريبًا له. وإن كان المستند كله يحمل نصًا أصلًا، تقول الأداة ذلك بدل أن تعمل وتنتج شيئًا أسوأ مما بدأت به.
- هل تستطيع قراءة خط اليد؟
- لا. المحرّك مدرَّب على الخط المطبوع، وخط اليد يعود ضوضاءً - حروفًا تشبه الأشكال لا الكلمات. فالتوقيع أو الملاحظة على الهامش أو النموذج المعبّأ يدويًا لن يُتعرّف عليه. أما النص المطبوع على الصفحة نفسها فسيُتعرّف عليه.
- هل يُرفع المسح الضوئي إلى أي مكان؟
- لا. يجري الرسم في Web Worker داخل متصفحك والتعرّف في آخر، وحتى نواة WebAssembly وبيانات اللغة تأتي من أصل هذا الموقع نفسه لا من شبكة توصيل. تحقّق مباشرة: حمّل الصفحة مرة، ثم اقطع اتصالك، ثم مرّر مسحًا ضوئيًا.