التعرف على النص العربي (OCR)
Tesseract (محلي — الخيار الأساسي والمجاني)
تثبيت
# macOS
brew install tesseract tesseract-lang imagemagick
# التأكد من دعم العربي
tesseract --list-langs | grep ara
استخراج النص
tesseract IMAGE_FILE output -l ara
cat output.txt
عربي + إنجليزي معاً
tesseract IMAGE_FILE output -l ara+eng
تحسين الدقة
# تحسين الصورة أولاً
magick IMAGE_FILE -resize 300% -sharpen 0x1 -threshold 50% improved.png
tesseract improved.png output -l ara --psm 6
TrOCR عبر HuggingFace (بديل سحابي — اختياري)
تنبيه: توفر نماذج HuggingFace Inference API يتغير. تحقق من توفر النموذج قبل الاعتماد عليه في بيئة إنتاجية. إذا كان النموذج غير متاح، استخدم Tesseract المحلي.
# microsoft/trocr-large-printed — نموذج OCR عام قوي
curl -s -X POST "https://api-inference.huggingface.co/models/microsoft/trocr-large-printed" \
-H "Authorization: Bearer $HF_TOKEN" \
-H "Content-Type: image/png" \
--data-binary @IMAGE_FILE
# للنصوص العربية تحديداً، جرّب:
# yazeed7/arabic-trocr أو أي نموذج عربي متاح على HuggingFace
curl -s -X POST "https://api-inference.huggingface.co/models/yazeed7/arabic-trocr" \
-H "Authorization: Bearer $HF_TOKEN" \
-H "Content-Type: image/png" \
--data-binary @IMAGE_FILE
أوضاع PSM (Page Segmentation Modes)
| الوضع | الاستخدام |
|---|---|
--psm 3 |
تلقائي (افتراضي) |
--psm 6 |
كتلة نص واحدة (الأفضل للمستندات) |
--psm 7 |
سطر واحد |
--psm 8 |
كلمة واحدة |
--psm 13 |
نص خام بدون OSD |
متى تستخدم
- المستخدم يرسل صورة فيها نص عربي
- يريد استخراج نص من مستند PDF ممسوح
- يريد قراءة مخطوطة أو وثيقة قديمة
- يريد تحويل صورة واتساب فيها نص لنص قابل للنسخ
القواعد
- ابدأ دائماً بـ Tesseract المحلي — يعمل بدون إنترنت وبدون مفاتيح API
- الصور الواضحة عالية الدقة تعطي نتائج أفضل
- المخطوطات والخطوط المزخرفة تكون أقل دقة — نبّه المستخدم
- إذا النتيجة ضعيفة، اقترح تحسين الصورة أولاً بـ magick
- نماذج HuggingFace اختيارية وقد لا تكون متاحة دائماً