# Safha

> كاشط محتوى عربي — اجمع محتوى عربي من الويب، نظّفه، واكتشف لهجته. مخصص لتجهيز بيانات التدريب.

- Skill: `moshe-ship/safha` (Agent Skill)
- Install (CLI): `npx skillmds@latest add moshe-ship/safha`
- Raw SKILL.md: https://api.skillmd.com/api/skills/moshe-ship/safha/raw
- Safety review: pending
- Works with: Claude Code, Claude.ai, OpenAI Codex
- Category: Coding & Dev Tools
- Author: moshe-ship (https://skillmd.com/u/moshe-ship)
- Updated: 2026-09-17
- Page: https://skillmd.com/skills/moshe-ship/safha

---


# safha — كاشط المحتوى العربي

أداة لجمع وتنظيف المحتوى العربي من الويب لتجهيز بيانات التدريب.

## الأوامر

### كشط صفحة
```bash
safha scrape URL
```
يجمع المحتوى العربي ويحفظه بصيغة JSONL.

### كشط sitemap كامل
```bash
safha sitemap URL
```
يكشط جميع الروابط بالتوازي مع rate limiting.

### تنظيف البيانات
```bash
safha clean data.jsonl
```
10 خطوات تنظيف: حذف URLs، تطبيع الألف/الياء، إزالة التشكيل...

### اكتشاف اللهجة
```bash
safha detect data.jsonl
```
يصنّف كل نص حسب اللهجة (فصحى/مصري/خليجي/شامي/مغربي).

### إحصائيات
```bash
safha stats
```

## أعلام مفيدة
- `--output FILE` — ملف الخروج
- `--keep-tashkeel` — لا تحذف التشكيل

## متى تستخدم
- المستخدم يريد جمع بيانات تدريب عربية
- تنظيف بيانات خام من الويب
- تصنيف بيانات حسب اللهجة