التعرف الضوئي على الحروف في المستندات العربية (OCR) هو تطبيق التعرف الضوئي على الصفحات العربية: برمجيات تحوّل صورة النص إلى حروف قابلة للقراءة آلياً. وهو أصعب منه في الحروف اللاتينية لأن الحروف تتصل ويتغير شكلها حسب موقعها، وأكثر من نصفها منقوط، وقد تحضر علامات التشكيل أو تغيب، ويُكتب النص من اليمين إلى اليسار بينما تُكتب الأرقام والإنجليزية من اليسار إلى اليمين، وقد تستخدم المستندات مجموعات أرقام وتقاويم مختلفة. فاحكم على أي برنامج باختباره على مستنداتك حقلاً بحقل، وخطط لمراجعة بشرية للحقول التي لا يثق بها.
لماذا التعرف الضوئي على العربية أصعب منه في الحروف اللاتينية
العربية تصل الحروف وتعتمد على النقاط وتُكتب من اليمين إلى اليسار وتمزج مجموعات أرقام وتقاويم، وكل من ذلك يغيّر ما يجب أن يفعله البرنامج. ويسرد الجدول كل خاصية ومعناها وفق المصادر التقنية والحالات التي يجب وضعها في مجموعة الاختبار.
| الخاصية | ماهيتها وسبب أهميتها | ضع هذا في مجموعة الاختبار |
|---|---|---|
| اتصال الحروف | العربية خط متصل. ومعظم الحروف تأخذ شكلاً منفصلاً أو أولياً أو وسطياً أو نهائياً حسب جيرانها، وستة حروف لا تتصل بما بعدها. فلا توجد فراغات موثوقة بين الحروف للفصل عندها، ويبدو الحرف مختلفاً في بداية الكلمة ووسطها ونهايتها. | عدة خطوط وأحجام، بما فيها الطباعة الصغيرة المتقاربة |
| النقاط | نحو 15 حرفاً من الحروف الثمانية والعشرين تحمل نقطة أو أكثر فوقها أو تحتها. وضياع نقطة يغيّر الحرف وغالباً الكلمة، فالمسح الباهت أو ذرة غبار قد يغيّر المعنى. | صفحات مرسلة بالفاكس أو منسوخة أو مصورة بالجوال |
| التشكيل | تُرمَّز علامات الحركات وغيرها كعلامات منفصلة توضع فوق الحروف أو تحتها. ويصفها W3C بأنها غير معتادة في النص القياسي، وتشير الدراسات إلى أنها تُحذف غالباً في الكتابة اليومية. وحين تحضر يجب قراءتها أو تجاهلها عمداً، وحين تغيب قد تكون الكلمة ملتبسة دون سياق. | أي مستندات تحملها |
| الاتجاه | يُكتب النص من اليمين إلى اليسار. ويخزّن يونيكود الحروف بترتيبها المنطقي، وتحدد خوارزمية العرض كيفية ظهورها، فما تراه وما يُخزَّن قد لا يتطابقان بصرياً. | صفحات متعددة الأعمدة وجداول |
| الأرقام | توجد ثلاث مجموعات أرقام: الأرقام الأوروبية من 0 إلى 9، والأرقام العربية الهندية من ٠ إلى ٩، ومتغير عربي هندي ممتد من ۰ إلى ۹ يُستخدم للفارسية والأردية تبدو فيه عدة أرقام مختلفة. وكلها تكتب النظام العشري نفسه، لكن يونيكود يرمّزها كحروف منفصلة. والأرقام العربية الهندية والأوروبية مستخدمتان كلتاهما في المناطق الناطقة بالعربية، وتُكتب الأعداد بأصغر خانة على اليمين كما في الإنجليزية، والصفر العربي الهندي نقطة واحدة. | فواتير وأرقام هويات ومبالغ مطبوعة بكل مجموعة أرقام، وبالمجموعتين في صفحة واحدة |
| العربية والإنجليزية معاً | يُقسَّم النص المختلط إلى مقاطع اتجاهية، فاسم شركة أو رمز منتج أو بريد إلكتروني داخل جملة عربية مقطع منفصل من اليسار إلى اليمين، فتحقق من صحة الترتيب المستخرج. | نماذج ثنائية اللغة وأسطر برموز داخل نص عربي |
| التواريخ | تُؤرخ المراسيم الملكية السعودية بالتقويم الهجري، فالمرسوم الصادر به نظام حماية البيانات الشخصية مثلاً مؤرخ في 9/2/1443هـ، أي 16 سبتمبر 2021. ويعتمد تقويم أم القرى على الحساب الفلكي، وقد يختلف ترتيب اليوم والشهر والسنة بين المستندات. | حقول تواريخ بالتقويمين وبترتيبات مختلفة |
يشمل التعرف الضوئي على المستندات العربية النصوص المطبوعة والممسوحة والمصورة والمكتوبة بخط اليد، وهذه مشكلات منفصلة. وتشير دراسة مسحية عام 2023 في Applied Sciences إلى تفاوت الخط العربي اليدوي كثيراً، وتعامل دراسة على arXiv التعرف على المطبوع والمكتوب يدوياً كتحديين منفصلين. وجودة الصورة مهمة لكل الخطوط، إذ تدرج وثائق محرك Tesseract مفتوح المصدر الدقة والميلان وحواف المسح والتشويش ضمن العوامل المؤثرة في النتائج.
ولمعالجة النص من اليمين إلى اليسار خطر خاص لا علاقة له بأشكال الحروف: فقد يقرأ المحرك كل حرف بشكل صحيح ومع ذلك يعيد القيم بترتيب خاطئ، أو يضع رقماً أو رمزاً لاتينياً في مكان خاطئ داخل سطر عربي. لذا يحتاج التعرف الضوئي على العربية إلى فحص الترتيب إلى جانب الحروف، ولهذا تتضمن مجموعة الاختبار أعلاه صفحات متعددة الأعمدة وجداول وأسطراً ثنائية اللغة.
كيف تختبر التعرف الضوئي على مستنداتك
اختبار دقة التعرف الضوئي على العربية يعني قياس النتائج على المستندات التي يتعامل معها فريقك فعلاً، لأن أي رقم من المورّد لا يغني عن ذلك. وتصلح الخطوات أدناه لأي محرك أو خدمة.
- اجمع عينة تتضمن أسوأ مستنداتك. خذ كل نوع مستند وكل ماسح ضوئي أو مصدر ونسبة من صور الجوال، فمجموعة من ملفات PDF النظيفة ستجمّل نتائج أي أداة.
- أنشئ الإجابات الصحيحة. اطلب من شخصين إدخال القيم الصحيحة لكل حقل بشكل مستقل، ثم طابق الفروقات، فهذه هي الحقيقة المرجعية لديك.
- قِس على مستويين. معدل خطأ الحروف ومعدل خطأ الكلمات يحسبان الاستبدالات والإضافات والحذف على مستوى الحرف والكلمة. ثم قيّم الحقول التي يعتمد عليها إجراؤك، مثل المبلغ والتاريخ ورقم الهوية والاسم، لأن رقماً خاطئاً في مبلغ يكلف أكثر من حرف خاطئ في تذييل.
- قسّم النتائج حسب الخاصية. ارفع نتائج الأرقام والتواريخ والأسطر مختلطة اللغة والأختام والطباعة الصغيرة وخط اليد كلاً على حدة، فالمتوسط العام يخفي أهم الإخفاقات.
- اختبر البحث لا المظهر فقط. اختر كلمات معروفة من المستندات المصدر وابحث عنها في النص المستخرج، فالنص الذي يبدو صحيحاً على الشاشة ولا يمكن العثور عليه عيب.
- حدد عتبات المراجعة. قرر الحقول التي يجب أن يتحقق منها شخص، ووجّه القراءات منخفضة الثقة إليه. واسأل المورّد كيف تُنتج درجات الثقة واختبر إن كانت تتبع الأخطاء الحقيقية.
- كرر الاختبار عند أي تغيير. إصدار جديد لنموذج أو ماسح أو محرك قد يغيّر النتائج.
تعامل مع المخرجات بعناية
مخرجات التعرف الضوئي مفيدة بقدر الفحوصات المحيطة بها. احتفظ بالصورة الأصلية والقيمة المستخرجة ودرجة ثقتها معاً، وسجّل الرقم أو التاريخ كما قُرئ قبل تحويله مع ملاحظة التقويم ومجموعة الأرقام المستخدمة. وتحقق وفق القواعد حيث أمكن، مثل صيغ أرقام الهوية والمبالغ التي يجب أن يتطابق مجموعها، لتُكتشف الأخطاء قبل وصولها إلى نظام آخر. وحوّل التواريخ الهجرية والميلادية بإجراء مبني على تقويم أم القرى، لأن القاعدة التقريبية قد تخطئ بيوم. وما يحدث للبيانات بعد ذلك غالباً مسار عمل مبني على قواعد، وهنا تتولى أتمتة العمليات الروبوتية العمل عادةً.
البيانات الشخصية وموقع المعالجة
العقود الممسوحة ونسخ الهويات والسير الذاتية تحتوي بيانات شخصية، فينطبق نظام حماية البيانات الشخصية على التعرف الضوئي كما ينطبق على أي معالجة أخرى. وإن كانت الخدمة تعمل خارج المملكة، فتحقق إن كان إرسال صورك الممسوحة إليها يُعد نقلاً بموجب قواعد النقل في النظام. ويغطي دليلنا عن إقامة البيانات في السعودية أسئلة الاستضافة. وهذه معلومات عامة لا استشارة نظامية، فتحقق مع مستشار مؤهل أو سدايا.
وللمنشآت التي تريد التعرف الضوئي ضمن مسار عمل أوسع، تصف وسنا للحلول الرقمية المعالجة الذكية للمستندات للفواتير والعقود والخطابات الحكومية، بما فيها الصور العربية وثنائية اللغة، في صفحة الذكاء الاصطناعي والأتمتة الذكية، مع اختبار الدقة على مستندات العميل قبل الإطلاق.
أحضر عينة من مستنداتك العربية
أرسل وصفاً لأنواع المستندات ومصادر المسح والحقول التي تحتاجها، وسيقترح مستشار من وسنا للحلول الرقمية طريقة اختبار التعرف الضوئي عليها قبل الاتفاق على أي إطلاق.
خطط لاختبار التعرف الضوئي على العربيةالمصادر
- The Unicode Standard, Version 16.0, Chapter 9, Middle East I: Arabic. اتحاد يونيكود. unicode.org. تاريخ الاطلاع: 2 أكتوبر 2026.
- UAX #9: Unicode Bidirectional Algorithm. اتحاد يونيكود. unicode.org. تاريخ الاطلاع: 2 أكتوبر 2026.
- Arabic Layout Requirements. W3C. w3.org. تاريخ الاطلاع: 2 أكتوبر 2026.
- Faizullah, S., Ayub, M.S., Hussain, S. and Khan, M.A. A Survey of OCR in Arabic Language: Applications, Techniques, and Challenges. Applied Sciences 13(7), 4584, 2023. MDPI. mdpi.com. تاريخ الاطلاع: 2 أكتوبر 2026.
- Kasem, M.S., Mahmoud, M. and Kang, H.-S. Advancements and Challenges in Arabic Optical Character Recognition: A Comprehensive Survey. arXiv:2312.11812. arxiv.org. تاريخ الاطلاع: 2 أكتوبر 2026.
- Improving the quality of the output. وثائق Tesseract OCR. tesseract-ocr.github.io. تاريخ الاطلاع: 2 أكتوبر 2026.
- Eastern Arabic numerals. ويكيبيديا. en.wikipedia.org. تاريخ الاطلاع: 2 أكتوبر 2026.
- Umm al-Qura calendar. ويكيبيديا. en.wikipedia.org. تاريخ الاطلاع: 2 أكتوبر 2026.
- Saudi Arabia’s Personal Data Protection Law: what you need to know، نوفمبر 2023. Herbert Smith Freehills Kramer. hsfkramer.com. تاريخ الاطلاع: 2 أكتوبر 2026.
- دليل نظام حماية البيانات الشخصية (للجهات المتحكمة والمعالجة). الهيئة السعودية للبيانات والذكاء الاصطناعي (سدايا). dgp.sdaia.gov.sa. تاريخ الاطلاع: 2 أكتوبر 2026.
