كاشف PDF الممسوح أو القابل للبحث

لماذا يُعدّ سؤال «هل يحتوي هذا الملف على نص؟» سؤالًا خاطئًا

قد يكون ملف PDF قابلًا للبحث في صفحته الأولى وصورةً فوتوغرافية في الثانية. الفحص المعتاد — استخراج نص، والعثور على شيء، وإعلان النجاح — يخطئ في الحالتين، ويخطئ كذلك في أكثر الحالات شيوعًا عمليًّا: مسحٌ ضوئي مرّ بالفعل على OCR، وهو قابل للبحث فعلًا رغم أن كل بكسل مرئي فيه صورة.

يعمل هذا الكاشف صفحةً صفحة، ويجمع ستّ إشارات مستقلة قبل أن يقول شيئًا:

• النص المستخرج — كم كلمة وحرفًا يعيدها مستخرج النصوص فعليًّا.
• أنماط رسم النص — المحارف المرسومة بالنمط 3 غير مرئية. هكذا تكتب برامج OCR الكلمات المتعرَّف عليها فوق المسح الضوئي، وهي الطريقة الوحيدة الموثوقة للتفريق بين مسحٍ مُعالَج بـ OCR وصفحةٍ رقمية أصلية.
• الصور المرسومة — أين تقع كل صورة وما نسبة الصفحة التي تغطيها.
• الدقة الفعلية وعمق البتات — الصورة ذات البت الواحد المضغوطة بـ CCITT أو JBIG2 هي مُخرَج ماسحة ضوئية، لا صورة فوتوغرافية ولا شعار.
• المسارات المتجهة — الصفحة التي أخرجها برنامج تنضيد تحتوي غالبًا على خطوط أو حدود أو رسوم خطية. أما المسح المجرد فلا يحتوي على أي منها.

ما الذي تحصل عليه

تُصنَّف كل صفحة بوصفها نصًّا رقميًّا أصليًّا أو صورة ممسوحة أو مسحًا + طبقة OCR أو مختلطة أو فارغة، مع درجة ثقة، ومع ما يهمّ أكثر: قائمة الوقائع التي أنتجت هذا التصنيف. فإن اعترضت على حكم، رأيت بالضبط أي إشارة قادت إليه.

ويجيب ملخص المستند عن السؤال الذي جئت من أجله: هل هو قابل للبحث من أوله إلى آخره، وإن لم يكن، فأي الصفحات تحتاج إلى OCR؟ ويمكن تصدير التقرير كاملًا بصيغة CSV أو JSON.

الحدود

لا شيء داخل ملف PDF يعلن «أنا مسح ضوئي»، فهذا استنتاج. الصفحة التي حُوّل نصها إلى مخططات لا تحوي كائنات نصية وتبدو مطابقة للمسح الضوئي. والمسح ذو طبقة OCR الرديئة قابل للبحث تقنيًّا لكنه عديم الفائدة عمليًّا. تُعرَض الحالتان مع أدلتهما بدلًا من تخمينٍ يبدو واثقًا.

الخصوصية

لا يغادر الملف حاسوبك أبدًا. التحليل والعرض والمصغَّرات والتقرير، كل ذلك يجري داخل متصفحك.