كيف أحسّن نتائج OCR بعد الرقمنة Pdf للكتب العربية؟

أحب أن أبدأ دائمًا بالمحافظة على النسخ الأصلية: قبل أي تعديل، أحتفظ بنسخة احتياطية من ملفات الصور الممسوحة والـPDF المجمّع. أجري أولاً فحصًا سريعًا لترتيب الصفحات واتساق الأبعاد (الاستدارة، الهوامش، وجود صفحات فارغة أو مزدوجة). بعد ذلك أستخدم أدوات معالجة الصور مثل 'ScanTailor' أو 'ImageMagick' لتنظيف الصفحات: قص الهوامش غير المرغوبة (crop)، تصحيح الانحراف (deskew)، وإزالة البقع (despeckle). إذا كانت الصفحات تحمل نصًا واضحًا فأحولها إلى تدرج الرمادي أو حتى إلى أبيض وأسود مع عتبة متكيّفة لتقوية الحروف وجعلها أوضح للقراءة ولعمليات OCR. أخيرًا أطبق OCR بواسطة أدوات مثل 'Tesseract' أو 'ABBYY FineReader' أو 'ocrmypdf' لإنتاج PDF قابل للبحث. بعد الاستخراج، أراجع الكلمات المهمة يدوياً خاصة العناوين والجمل الغريبة لأن OCR لا يكون كاملاً دائمًا. ثم أضغط الملف بحذر باستخدام إعدادات تحافظ على جودة النص (مثل Ghostscript مع إعداد /prepress أو /printer) لتقليل الحجم بدون فقدان وضوح الحروف. بهذه الخطوات يتحسن مظهر الملف بشكل كبير، ويبقى قابلًا للبحث وسهل التصفح.

هذا موضوع نوقشته مع أصدقاء كثيرًا خلال جلسات القراءة: نعم، بعض المكتبات الرقمية توفر كتبًا بصيغة PDF مجانية، لكن التفاصيل معقدة. أجد أن القاعدة العامة تتبع حقوق النشر؛ الأعمال الواقعة في الملكية العامة أو التي أتاحها المؤلفون مجانًا يمكن أن تظهر بصيغة PDF على مواقع موثوقة. على سبيل المثال، مواقع مثل Internet Archive وOpen Library وProject Gutenberg تحتوي على مجموعات من النصوص العربية، خصوصًا الأعمال القديمة أو النصوص التراثية التي انتهت حقوقها أو التي تُعامل كأرشيف. كما أن بعض المكتبات الوطنية وجامعات مثل مكتبة الإسكندرية تعرض مخطوطات ونسخًا رقمية يمكن تحميلها قانونيًا. مع ذلك، معظم الروايات العربية الحديثة تبقى محمية بحقوق نشر ولا يجوز تحميلها مجانًا من دون إذن، لذلك أتحقق دائمًا من صفحة الحقوق أو من بيان الترخيص قبل التنزيل، وأفضّل البحث عن إصدارات إلكترونية مرخّصة أو شراء نسخة لدعم الكاتب.

هناك متعة غريبة في تحويل صفحات ممسوحة ضوئيًا إلى نص واضح يمكن البحث فيه؛ العملية تتطلب تأنٍ ومجموعة خطوات عملية تساعدني على تقليل الأخطاء اليدوية بعد الرقمنة. أول شيء أفعله هو فتح الملف في برنامج يدعم عرض الصورة والنص جنبًا إلى جنب، مثل 'Adobe Acrobat' أو 'ABBYY FineReader'. أُعليّ جودة العرض وأعرض خريطة الثقة (confidence map) إن وُفرت لتحديد الأماكن التي كان فيها المحرر الآلي متردّدًا. أبدأ بالتصحيح من الكلمات ذات الثقة المنخفضة بدلًا من القراءة العشوائية؛ هذا يوفّر وقتًا كبيرًا على المستندات الطويلة. أثناء التصحيح، أستعمل اختصارات لوحة المفاتيح للنسخ واللصق والتراجع، وأجعل تدقيق الإملاء والعربية مفعلين لتصحيح الأخطاء الشائعة تلقائيًا. بالنسبة للنقاط الفنية التي أواجهها كثيرًا مع اللغة العربية: أحسب على تحسين المشكلات المتعلقة بالهجاء المتقطع بسبب فواصل الأسطر، وتصحيح أشكال الألف والهمزات، ومعالجة علامات الترقيم والاتجاه من اليمين لليسار. أستعمل البحث والاستبدال مع تعابير نمطية لإصلاح أنماط متكررة مثل وصل الكلمات المنقطة أو تحوّل الأرقام من الشكل الهندي إلى الغربي. إن كان المستند يحتوي جداول أو معادلات، أفضل إعادة إنشائها يدويًا في مستند منفصل لأن OCR غالبًا ما يخرب البنية. أخيرًا، أحتفظ بنُسخ من الملف الأصلي والمصحح، وأسجل ملاحظة عن الأخطاء المتكررة حتى أتمكن من إعداد قائمة تصحيحات أو سكريبتات تلقائية في المرات القادمة. هذه العادة تحوّل العمل الشاق إلى عملية أكثر قابلية للتكرار والكفاءة، وتشعرني دائمًا بأنني أعيد الحياة إلى نصٍ كان ساكنًا في صورة.

من خلال تجاربي في جمع الكتب العربية وجدت أن هناك فئات واضحة للمكتبات الرقمية التي توفر ملفات PDF مجانية، وكل فئة لها مميزات وقيود. أول فئة أتحاشى فيها مشاكل الحقوق هي المكتبات الأرشيفية والمشروعات العامة مثل 'Internet Archive' و'Open Library' و'Project Gutenberg' و'HathiTrust' و'World Digital Library'، لأنها تحتوي على كتب وصلت إلى الملك العام أو نُشرت بإذن الناشر أو المؤلف. أستخدمها كثيرًا للكتب الكلاسيكية والطبعات القديمة؛ طريقة البحث الفعالة عندي تكون بكتابة عنوان الكتاب بين علامات اقتباس مع إضافة site:archive.org أو استخدام عامل filetype:pdf في جوجل، لأن ذلك يسرع العثور على نسخة PDF قابلة للتنزيل. ثاني فئة مفيدة جدًا هي المكتبات المتخصصة العربية مثل 'المكتبة الشاملة' و'المكتبة الوقفية' و'مكتبة نور' وبعض المستودعات الجامعية الوطنية أو المكتبات الرقمية للمؤسسات الثقافية. في هذه المنصات أجد نصوصًا دينية، ودراسات فقهية، وكتبًا تراثية، وأحيانًا أعمال معاصرة أتاحها أصحابها مجانًا. أنصح دائمًا بالتحقق من وضع الحقوق قبل التحميل واحترام حقوق المؤلف؛ إذا لم أكن متأكدًا، أميل إلى قراءة النسخ المتاحة عبر المتصفح بدل التنزيل. أخيرًا، لا تغفل عن المستودعات الأكاديمية مثل 'ResearchGate' و'Academia.edu' و'المكتبات الرقمية الجامعية'، إذ يُنشر هناك أحيانًا كتبًا أو فصولًا قانونيًا مجانية من قبل المؤلفين. نصيحتي العملية: ابدأ بمصادر الأرشيف العامة ثم انتقل إلى المكتبات العربية المتخصصة، واحرص على استخدام كلمات بحث عربية دقيقة (عنوان الكتاب والمؤلف) ومعاملات البحث مثل filetype:pdf وsite: لتقليل الضوضاء والالتزام بالقانون. لن أقول إن العثور سهل دائمًا، لكن بهذه الخطة عادة أجد ما أبحث عنه دون مشكلة.