arabic-ocr

# التعرف على النص العربي (OCR) ## Tesseract (محلي — الخيار الأساسي والمجاني) ### تثبيت ```bash # macOS brew install tesseract tesseract-lang imagemagick # التأكد من دعم العربي tesseract --list-langs | grep ara ``` ### استخراج النص ```bash tesseract IMAGE_FILE output -l ara cat output.txt ``` ### عربي + إنجليزي معاً ```bash tesseract IMAGE_FILE output -l ara+eng ``` ### تحسين الدقة ```bash # 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. ```bash # 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