ملفات PNG مضغوطة في ملف TXT واحد
تُقرأ ملفات PNG داخل ZIP بترتيب أسماء الملفات، وتُضاف الكلمات المتعرَّف عليها من كل صورة إلى ملف .txt واحد بترميز UTF-8، مع سطر فاصل حيث ينتهي محتوى صورة ويبدأ التالي. ويُحذف التنسيق والخطوط والتخطيط، ولا يبقى إلا الكلمات.
هذه مقايضة مقصودة: ملف .txt لا يحتوي على تنسيق يمكن الحفاظ عليه، لذا لا يكون اختياره بدلًا من مستند Word منطقيًا إلا عندما تحتاج فعلًا إلى النص الخام من دفعة لقطات شاشة، لا إلى مستند يبدو كالأصل. يكرر كل فاصل السطر النصي القصير نفسه بين الصفحات، فإذا فتحت الملف في أي محرر وبحثت عن هذا السطر بعينه انتقلت مباشرة إلى بداية الصورة المصدر التي تريدها، بدلًا من تمرير الدفعة كلها بعينك.
تقنية OCR للمستندات متعددة الصفحات
عالج مجموعات المستندات كاملة بأدوات OCR متعددة الصفحات لدينا. ضع صور الصفحات في ملف ZIP واحد بأسماء مرتبة حسب الصفحات، واحصل على نتيجة واحدة مجمّعة: PDF قابل للبحث أو مستند Word أو نص بكل الصفحات. وهذا مثالي لرقمنة الكتب والتقارير والمراسلات والسجلات المؤرشفة.
بالنسبة للمستندات الكبيرة، توفر المعالجة الدفعية وقتًا كبيرًا مقارنة بالتحويل صفحة بصفحة. تحافظ أدواتنا على ترتيب الصفحات، وتتعامل مع اختلاف جودة الصور بين الصفحات، وتنتج مخرجًا موحّدًا جاهزًا للمراجعة والاستخدام. يُحفظ التخطيط الأصلي لكل صفحة في المخرج النهائي.
ما الذي يفقده الملف العادي
لأن PNG غير فاقدة للجودة، يحصل محرك OCR على صورة نظيفة يقرأ منها، لذا تميل الدقة على مستوى الكلمة في هذا الإدخال إلى أن تكون جيدة بقدر أي أداة أخرى قائمة على PNG؛ يكمن الفرق هنا بالكامل في جانب المخرجات، حيث لا تُحفظ العناوين والجداول وفواصل الأسطر داخل الفقرة كبنية.
إذا كانت صورك المصدر من نوع PNG تتضمن جدولًا، توقّع أن تدمج مخرجات .txt الخلايا معًا بترتيب القراءة بدل إبقائها محاذاة في أعمدة؛ هذا سلوك متوقّع لتصدير نص عادي، لا خطأ تعرف، وهو السبب الرئيسي للتحقق يدويًا من صفحة كثيفة الجداول قبل الوثوق بالملف للتحليل. يظهر سطر ترويسة أو تذييل مُكرَّر على كل صورة PNG مصدر، كرقم صفحة أو اسم شركة، مرة واحدة لكل صفحة في ملف .txt بدل أن يُدمج ويُزال، لذا يمكن أن تنتهي دفعة من أربعين صفحة بنفس ذلك السطر القصير مبعثرًا أربعين مرة عبر منتصف نصك.
الحصول على مخرجات نص نظيفة
سمِّ الملفات بترتيب الصفحات (01 و02 و03…) قبل ضغطها في ZIP: فالصفحات تتبع أسماء الملفات، ولا توجد خطوة لإعادة ترتيبها لاحقًا. يستخدم الناتج فواصل أسطر بنمط Unix تقرؤها المحررات ولغات البرمجة النصية الحديثة مباشرة؛ وقد تحتاج أداة Windows قديمة تتوقع أزواج CR/LF إلى تحويل سريع أولًا.
انتبه للترميز إذا كانت ملفات PNG الخاصة بك تحتوي على أحرف أو رموز غير لاتينية؛ يغطي UTF-8 الغالبية العظمى من الحالات، لكن أداة لاحقة مضبوطة على ترميز مختلف قد تقرأ خطأً أحرفًا تعرّفت عليها تقنية OCR بشكل صحيح.