البحث داخل PDF والصور: ما الفرق الذي يجب اختباره عمليًا؟

هذه المقالة لفريق التقييم الذي رأى في العرض التوضيحي بحثًا ناجحًا، ثم لاحظ في التجربة أن النظام يجد كلمة في ملف ولا يجدها في آخر. تشرح الفرق بين أنواع الملفات من زاوية البحث، وتعطيك حزمة ملفات اختبار بنتيجة متوقعة لكل منها، وشجرة تشخيص لأي كلمة لم توجد. أما قياس جودة القراءة الآلية للوثائق الممسوحة نفسها فله مقالة مستقلة عن اختبار OCR العربي.

طبقة النص: ما الذي يبحث فيه النظام فعلًا؟

النظام لا يبحث في الصورة التي تراها على الشاشة. يبحث في فهرس بُني من نص كل ملف عند حفظه. لذلك السؤال الأول لأي ملف: من أين جاء نصه؟

• نص مولود مع الملف: ملف Word أو Excel، أو PDF صُدّر من برنامج تحرير. النص موجود داخل الملف بحروفه، ويستخرجه النظام مباشرة.
• نص مقروء من صورة: صفحة ممسوحة أو صورة التقطها هاتف. الملف صورة فقط، ويحتاج قراءة آلية (OCR) لينتج نصًا يدخل الفهرس.
• نص قديم مرافق للصورة: PDF ممسوح عالجه برنامج الماسح أو أداة أخرى قبل سنوات، فأضاف تحت الصورة طبقة نص غير مرئية. هذه الطبقة قد تكون جيدة، وقد تكون قراءة ضعيفة للعربية لا يعرف أحد جودتها.

في ملف PDF الواحد قد تجتمع الحالات الثلاث: عقد صُدّر من Word، ثم أُلحقت به صفحة توقيع ممسوحة، ثم ملحق مسحه طرف آخر بطبقة نص خاصة به. لذلك تُقيَّم طبقة النص على مستوى الصفحة، لا الملف.

اختبار سريع تنفذه دون أي نظام

افتح الملف في قارئ PDF، وحاول تظليل سطر عربي ونسخه ولصقه في محرر نصوص بسيط:

1. إن لم تستطع التظليل أصلًا، فالصفحة صورة بلا نص.
2. إن ظهر النص الملصوق سليمًا بترتيبه الصحيح، فطبقة النص صالحة غالبًا.
3. إن ظهرت الحروف مقطعة أو الكلمات معكوسة أو رموز غريبة، فطبقة النص موجودة لكنها تالفة، والبحث فيها سيفشل مهما بدا الملف سليمًا.

هذا الاختبار البسيط يفسر كثيرًا من حالات «النظام لا يجد الكلمة» قبل أن تتهم محرك البحث.

أنواع الملفات، وما يحتاجه كل نوع ليُبحث فيه

مشكلات خاصة بالعربية داخل الملفات

حتى حين يكون للملف نص سليم الشكل، قد تمنع تفاصيل الترميز العربي مطابقة الكلمة. هذه الحالات لا تظهر في عرض توضيحي بملفات حديثة، وتظهر فورًا مع أرشيف متنوع المصادر:

• أشكال العرض بدل الحروف: للحرف العربي أشكال بحسب موضعه في الكلمة. بعض برامج التصدير القديمة تحفظ هذه الأشكال برموزها الخاصة بدل الحرف الأصلي، فيبدو النص صحيحًا ولا يطابق ما يكتبه الباحث. النظام الجيد يعيد هذه الأشكال إلى حروفها قبل الفهرسة، أو يكتشف الطبقة ويعيد قراءتها.
• الترتيب البصري: بعض الملفات تحفظ السطر العربي بترتيب عرضه من اليسار، فتصبح «عقد» في النص المخزن «دقع». اختبرها بنسخ السطر كما في القسم السابق.
• الياء والكاف من لوحات مفاتيح أخرى: وثائق أعدها موظفون بلوحة مفاتيح فارسية أو أوردية قد تحمل ياء وكافًا بترميز مختلف، يشبه العربي في الشكل ويختلف في الرمز. إن لم يوحدها النظام، ضاعت هذه الوثائق من نتائج البحث.
• الأرقام: رقم الفاتورة قد يكون في الملف بالأرقام المشرقية (١٢٣) ويكتبه الباحث باللاتينية (123)، أو العكس. اختبر الاتجاهين.
• الهمزات والتاء المربوطة والتشكيل: هذه مسؤولية محرك البحث لا الملف، وتجدها موضحة في طريقة مطابقة البحث لصيغ الكتابة العربية. أدخلها في الاختبار، لكن سجّلها منفصلة عن مشكلات الملف.

لم يجد النظام الكلمة؟ شخّص السبب بالترتيب

عندما يشكو مستخدم من أن البحث لم يجد وثيقة يعرف أنها موجودة، لا تبدأ بالشك في محرك البحث. اتبع الأسئلة التالية بالترتيب، فأغلب الحالات تُحسم في الأسئلة الأولى.

اطلب من المورد أن يريك في العرض ما يعين مسؤول النظام على هذا التشخيص: هل يظهر لكل ملف أنه فُهرس محتواه أم لا؟ وهل توجد قائمة بالملفات التي فشلت قراءتها أو تعذر استخراج نصها؟ وهل يمكن عرض النص المستخرج لصفحة بعينها؟ النظام الذي يخفي هذه الحالة يترك الملفات غير القابلة للبحث مخفية في الأرشيف إلى أن يبحث عنها أحد ولا يجدها.

حزمة اختبار: اثنتا عشرة حالة بنتيجة متوقعة

جهّز الحزمة من ملفاتكم، واكتب لكل ملف الكلمة التي ستبحث بها قبل الاختبار. استخدم كلمات مميزة لا تتكرر في بقية الملفات، حتى تعرف أن النتيجة جاءت من الملف المقصود. ثم ارفع الحزمة كاملة لكل مورد، وابحث بنفسك.

أضف إلى الحزمة ما يخص أرشيفكم: مخططات PDF هندسية فيها نصوص، أو ملفات بحجم كبير، أو صيغ خاصة بنظام لديكم. واسأل المورد عن حد حجم الملف الذي تُفهرس محتوياته، فبعض الأنظمة تحفظ الملف الكبير وتتجاوز فهرسة نصه.

كيف تسجل النتائج

لكل حالة سجّل ثلاثة أشياء: هل ظهر الملف؟ هل فُتح على الموضع الصحيح؟ وهل كان سلوك النظام واضحًا حين لم يظهر؟ البند الثالث مهم بقدر الأولين. نظام يفشل في الحالة 11 ويخبرك بذلك أفضل من نظام يفشل بصمت. وإن أردت قياسًا أوسع لجودة النتائج وترتيبها على أسئلة عمل حقيقية، فراجع مقالة قياس جودة نتائج البحث على عينة ممثلة.

ماذا تعني النتائج لأرشيفكم الحالي؟

الاختبار لا يفيد الشراء فقط. هو يكشف أيضًا ما ستحتاجه عند نقل أرشيفكم إلى النظام. إن وجدت أن نسبة كبيرة من ملفاتكم القديمة PDF ممسوحة بلا نص أو بطبقة ضعيفة، فالترحيل يجب أن يتضمن إعادة القراءة الآلية دفعة واحدة، ويُحسب ذلك في النطاق والوقت. وتوضح صفحة القراءة الآلية أن ملفات PDF القديمة التي مُسحت دون طبقة نص تُعالج عند ترحيلها فتدخل فهرس البحث.

ولتقدير الحجم قبل طلب العروض، خذ عينة عشوائية من مجلداتكم، وصنّف ملفاتها بالاختبار اليدوي السريع: نصي سليم، أو نصي تالف، أو ممسوح بلا نص، أو ممسوح بطبقة قديمة. نسبة كل فئة في العينة تعطيك تقديرًا تقريبيًا لما يحتاج إعادة قراءة في الأرشيف كله، وتجعل عروض الموردين قابلة للمقارنة.

وتذكر أن البحث في المحتوى لا يغني عن البيانات الوصفية. الوثيقة المكتوبة باليد أو الممسوحة بجودة رديئة لن تُعثر عليها بالمحتوى مهما تحسنت القراءة، والذي يحميها هو بطاقة فهرسة مكتملة. وكيف تجمع بين الطريقتين في تصميم البحث تشرحه مقالة البحث بالبيانات أم داخل المحتوى.

الخطوة التالية: اختبر الحزمة على نظامنا

الحزمة التي جهزتها صالحة لكل مورد، ونقترح أن تجعلها مشهدًا ثابتًا في العروض التوضيحية. ويمكنك قبل ذلك مراجعة طرق البحث في النظام لتعرف أين يدخل البحث في المحتوى بين الطرق الأخرى.

وإن أردت أن ترى النتائج على ملفاتكم، فأرسل الحزمة أو جزءًا منها مع الكلمات المتوقعة، ثم اطلب تجربة البحث على نموذج من مستنداتك. نرفع الملفات أمامكم، ونبحث بكلماتكم، ونعرض لكل ملف ما استُخرج من نصه.

أسئلة شائعة