Taggart

הנגשת PDF סרוק: OCR בעברית, ומה אי אפשר להציל

קובץ סרוק הוא תמונה של מסמך, וקורא מסך שומע בו דף ריק. איך הופכים אותו לטקסט בעברית, איך בודקים שה‑OCR לא הפך את השורות, ומתי עדיף להקליד מחדש.

עם מה אתם מתמודדים

קובץ סרוק הוא תמונה של מסמך. אין בו טקסט, אין בו מבנה, ואין מה לתייג. לקורא מסך, דוח סרוק הוא סדרה של עמודים ריקים.

זה שונה מהותית מכל משימת הנגשה אחרת. בכל מקום אחר מתקנים מבנה שקיים. כאן יוצרים את הטקסט עצמו, ואיכות התוצאה נקבעת כבר בשלב הראשון.

שלב 0: לחפש את המקור

לפני כל דבר אחר: האם קובץ המקור קיים? Word, חבילת InDesign, או אפילו קובץ PDF מקורי מהמעצב, לפני שהודפס ונסרק.

ייצוא מחדש מהמקור לוקח דקות ומייצר קובץ מתויג. הנגשת סריקה לוקחת שעות ומייצרת משהו פחות טוב. את השלב הזה מדלגים עליו כל הזמן, כי הסריקה היא מה שהגיע במשימה. זו טעות: עשרים דקות של חיפוש שוות ימים של עבודה.

שלב 1: OCR, ושיפוט כן של התוצאה

מריצים זיהוי תווים. באקרובט פרו: ‏Scan & OCR ← Recognize Text. בחינם: ocrmypdf עם עברית:

ocrmypdf --language heb --deskew --rotate-pages input.pdf output.pdf

למסמך מעורב עברית ואנגלית: --language heb+eng. לערבית: ara.

ועכשיו — לקרוא. לא לרפרף. מעתיקים עמוד שלם לעורך טקסט וקוראים אותו מול התמונה.

סימנים שה‑OCR שמיש: מילים רגילות נכונות; טעויות נראות כטעויות ולא כמילים אחרות שנשמעות הגיוני; מספרים נכונים; הרצף של הפסקאות הגיוני.

סימנים שלא: שמות פרטיים משובשים; מספרים בטבלאות שגויים; עמודות מתערבבות זו בזו; טקסט שנשמע סביר ושונה מהדף. המקרה האחרון הוא המסוכן, כי הוא עובר רפרוף ונכשל אצל קורא.

סימנים שאין מה להציל: כתב יד, סריקה באיכות פקס, הטיה חזקה, חותמות וסימני מים על הטקסט, טופס שממולא בכתב יד.

שלב 2: מלכודת ההיפוך

בעברית ובערבית יש שלב שלא קיים באנגלית. חלק ממנועי ה‑OCR כותבים את הטקסט בסדר ויזואלי — כלומר הפוך. הדף נראה מושלם, והטקסט שמאחוריו משוקף. זה בדיוק הכשל שמתואר בעברית הפוכה ב‑PDF.

בודקים מיד, לפני שמשקיעים דקה במבנה: מעתיקים פסקה ובודקים איפה יושבות האותיות הסופיות — ך ם ן ף ץ. בעברית הן מופיעות רק בסוף מילה. אם הן בתחילת מילים, תוצאת ה‑OCR הפוכה, וכל מה שייבנה עליה יירש את הבעיה.

שלב 3: להחליט — לתקן, להקליד מחדש, או לסרב

זו ההחלטה שנוטים לדחות, והיא שקובעת אם הפרויקט יצליח.

לתקן את ה‑OCR כשהדיוק גבוה והטעויות גלויות. בערך 3–5 דקות לעמוד להגהה זהירה מול התמונה.

להקליד מחדש כשהדיוק בינוני או כשהעמוד עמוס מספרים. הקלדה מחדש מדויקת יותר מתיקון OCR גרוע, כי לתיקון יש כשל מוכר: קוראים את מה שמצפים לו ולא את מה שכתוב. בכל מקום שבו מספר שגוי חשוב — דוחות כספיים, מינונים, אסמכתאות משפטיות — הקלדה מחדש היא הבחירה הנכונה.

לסרב, ולהסביר למה, כשהמקור כתוב ביד או כשאיכות הסריקה נמוכה מדי. מסמך שאי אפשר לקרוא בדיוק אי אפשר להנגיש בהעמדת פנים. טקסט שגוי שנראה סביר גרוע מהיעדר טקסט.

שלב 4: מבנה

כשיש טקסט אמין, זו הנגשה רגילה: תיוג, סדר קריאה (סריקות של מסמכים בכמה עמודות צריכות תיקון בכל עמוד), רמות כותרות, טבלאות שנבנות מחדש כמבנה, וטקסט חלופי לתמונות שבתוך הסריקה. בסוף — כותרת ושפה במאפייני המסמך.

שלב 5: לשמור את התמונה ואת הטקסט

התוצר הנכון מציג את הסריקה המקורית ונושא את הטקסט המזוהה מאחוריה. ocrmypdf עושה את זה כברירת מחדל. באקרובט, ההגדרה ״Searchable Image״ עושה את זה; ״Editable Text and Images״ לא — היא מחליפה את הסריקה בטקסט משוחזר בגופנים אחרים ומשנה את מראה הדף.

מה Taggart עושה

הבודק מזהה עמוד שהוא תמונה של טקסט בלי שכבת טקסט (תנאי TG-SCAN-001). התיקון מריץ OCR בעברית, בערבית ובאנגלית רק על העמודים הסרוקים, מתייג את מה שהוסיף, ומשאיר את תמונת העמוד כפי שהיא. אחרי התיקון הקובץ נבדק מחדש, כולל בדיקת הכיוון, כך ש־OCR שהוציא עברית הפוכה לא עובר בשקט.

מה שלא נמדד עדיין, ואנחנו אומרים את זה במפורש: הדיוק של ה‑OCR על סריקות עבריות אמיתיות, מגוונות. על סריקה נקייה זה עובד; על כל השאר — קראו עמוד מהתוצאה לפני שאתם סומכים עליה, בדיוק כמו עם כל כלי אחר.

כמה זה לוקח, באמת

ייצוא מחדש מקובץ המקור: פחות מעשר דקות. לכן השאלה הראשונה היא תמיד ״יש לנו את המקור?״.

עוד בנושא

• עברית הפוכה ב‑PDF: למה זה קורה ואיך מתקניםמעתיקים טקסט מ‑PDF והעברית יוצאת הפוכה? קורא המסך מקריא מהסוף להתחלה? זה סדר אחסון ויזואלי. איך מזהים אותו בעשר שניות, ואיך מתקנים בלי לשנות את הדף.
• מה זה PDF מתויג, ולמה בלעדיו אין נגישותקובץ PDF הוא הוראות ציור. תגיות הן המבנה שמאחוריו — כותרות, פסקאות, טבלאות, סדר קריאה. מה הן, איך הן מתחברות לדף, ואיך בודקים אם הקובץ שלכם מתויג.
• הנגשת PDF: איך מנגישים קובץ PDF, המדריך המלאכל העבודה מקצה לקצה: מה חייב להיות נכון, באיזה סדר לעשות את זה, מה באמת מכני, ואיפה נדרשת הכרעה אנושית. עם זמנים אמיתיים.

תנאי כשל קשורים

העמודים הטכניים המלאים באנגלית, עם קטעי קוד ופתרונות ב‑Acrobat.

• TG-SCAN-001 The page is a picture of text and carries no text layer
• TG-RTL-001 Right-to-left text is stored in visual order
• 11-001 Natural language for text in page content cannot be determined
• 09-001 Tags are not in logical reading order

עודכן לאחרונה 2026-09-27. אין באמור ייעוץ משפטי.