Unlimited OCR 2: تحويل PDF إلى نص واستخراج الجداول

ماذا يضيف Unlimited OCR 2؟

تصف Baidu تعرفًا منظمًا على العناوين والفقرات والجداول وسائر عناصر التخطيط، بما في ذلك وصل الجداول والنصوص المقطوعة عند فواصل الصفحات، وتقدّم الإصدار بوصفه موجهًا للمستندات الطويلة جدًا. غير أن الاسم Unlimited ليس ضمانًا لاستخدام غير محدود على الخدمة المستضافة؛ فتحقق من حدود الخدمة ومتطلبات النشر في المسار الذي تختاره.

المصادر: Baidu: Unlimited OCR 2 release and public test

من ملف PDF ممسوح ضوئيًا إلى نص: اعتمد سير عمل من ثلاث مراحل

أولًا، حدد طبيعة المدخل. إذا تعذّر تحديد النص بالمؤشر، فقد تلزم خطوة OCR؛ وإذا أمكن تحديده لكن الجدول يُنسخ في الأعمدة الخاطئة، فركّز على استخراج التخطيط. وأبقِ الصفحات الأصلية إلى جانب النسخة المستخرجة ليتسنى التحقق من البنية.

ثانيًا، افحص التفاصيل الأعلى قيمة: المعرّفات والتواريخ والفواصل العشرية وإشارات السالب وعناوين الأعمدة. واحتفظ برقم الصفحة مع كل صف مستخرج؛ فانزياح عمود واحد قد يحوّل رقمًا صحيحًا إلى ادعاء خاطئ.

ثالثًا، اطلب من المساعد أن يجيب من النص المتحقق منه وحده. اشترط إحالة إلى المصدر مع كل عبارة مهمة، وتصريحًا بأن القيمة غير معروفة عند غياب أي حقل. وافصل بين سؤال النسخ الحرفي وسؤال التفسير.

كيف تتحقق من الجداول الممتدة على عدة صفحات

العناوين المتكررة تسميات، لا صفوف بيانات إضافية. ولا ينبغي جمع المجموع الفرعي مرة أخرى مع البنود التي يتكوّن منها. وعندما يمتد صف إلى صفحة أخرى، تحقق من معرّفه قبل دمجه؛ فقد ينتمي وصفان متشابهان إلى سجلين مختلفين.

قبل التصدير إلى جدول بيانات، عُدّ الصفوف الأصلية، وتأكد من وحدة القياس في كل عمود رقمي، وراجع مجموعًا واحدًا على الأقل يدويًا. وأبقِ الأحرف غير المؤكدة معلّمة على أنها غير مؤكدة بدلًا من أن تطلب من المساعد تخمين ما كان المسح يعنيه على الأرجح.

جرّب برومبت تحليل مستندات بإجابة معروفة

يختبر هذا التمرين النصي الخيالي الاستدلال بعد الاستخراج، لا نموذج OCR نفسه، ولا يتطلب رفع أي ملف. النتيجة الصحيحة: A17 = 40 وحدة وB22 = 25 وحدة، بإجمالي 65 وحدة. العنوان المتكرر لا يضيف شيئًا، وحالة الدفع غير معروفة للفاتورتين.

إذا قال المساعد إن الفاتورتين مدفوعتان، أو حسب صفًا مرتين، أو عامل العنوان على أنه بند، فالنتيجة فاشلة. اطلب منه ذكر الصفحة المصدر لكل صف قبل أن تستخدمه في مستند آخر.

استخدم هذا المستند الخيالي المستخرج فقط. الصفحة 1: العنوان «الفاتورة | المبلغ»؛ الصف «A17 | 40 وحدة». الصفحة 2: العنوان المتكرر «الفاتورة | المبلغ»؛ الصف «B22 | 25 وحدة». لم تُذكر أي حالة دفع. قدّم جدولًا يتضمن معرّف الفاتورة والمبلغ والصفحة المصدر وحالة الدفع. اجمع المبلغين مرة واحدة فقط. ضع علامة «غير معروف» على حالة الدفع المفقودة. اشرح لماذا لا تُعدّ العناوين المتكررة صفوف بيانات. لا تستنتج حالة الدفع ولا تختلق الحقول المفقودة.

اختيار أداة OCR لمستنداتك

قبل معالجة أرشيف كامل، جرّب عينة ممثِّلة: صفحة نظيفة، ومسحًا منخفض الجودة، وصفحة متعددة الأعمدة، وجدولًا مقسومًا بين صفحتين. وتحقق من اللغة ونظام الكتابة المستخدمين في ملفاتك أنت؛ فالنجاح في لغة واحدة أو في مثال نظيف لا يثبت الدقة في كل مستند.

وفي حالة المواد السرية، تحقق من مكان المعالجة وشروط الخدمة في التعامل مع البيانات قبل الرفع، واستخدم أمثلة خيالية أو عينات حُجبت منها المعلومات الحساسة أثناء تقييم سير العمل. فأوزان النموذج المفتوحة والخدمة المستضافة خياران مختلفان للنشر، ولكل منهما متطلباته التشغيلية.

النتيجة المفيدة هي بيانات يمكن تتبّع مصدرها والتحقق منها. قِس وقت التصحيح وعدد الصفوف المفقودة إلى جانب سرعة الاستخراج؛ فالمخرجات الأسرع لا قيمة لها إذا اضطر أحدهم إلى إعادة بناء الجدول بعدها.