ما هو OCR لملفّ PDF؟

ثمّة نوعان من ملفّات PDF: ملفّات بطبقة نصّية (مولودة رقميًا، مثل تلك المُصدَّرة من Word أو LaTeX)، وفيها يُقرأ النصّ مباشرةً؛ وملفّات ممسوحة ضوئيًا (ورق صُوِّر أو مُرِّر على ماسحة)، حيث ليست الصفحة سوى صورة من حروف. دون OCR لا يمكن البحث في النوع الثاني، ولا نسخه، ولا تلخيصه.

يُحلِّل محرّك OCR صورة الصفحة، فيُحدِّد الأسطر والحروف، ويتعرَّف على الأشكال (الجلِيفات)، ويُعيد بناء الكلمات والفقرات، ثم يُضيف طبقة نصّ إلى PDF أو يُخرج ملفًّا نصّيًّا منفصلًا. تستعين محرّكات OCR الحديثة بشبكات عصبية عميقة بدل خوارزميات المطابقة القديمة، وقد بلغت دقّتها على النصوص المطبوعة النظيفة في اللغات الرئيسية ما يفوق 99٪.

تتراجع جودة OCR على المسوحات الرديئة (الميل، الدقّة المنخفضة، الحبر الباهت)، وعلى المعادلات الكثيفة، والتنضيد المتعدِّد الأعمدة، وعلى أنظمة الكتابة التي تشحُّ لها بيانات التدريب. وأفضل ممارسة للوثائق المهمّة: المسح بدقّة 300 dpi وبالألوان، وتشغيل محرّك حديث، ومراجعة المُخرَجات قبل الاستشهاد بها.