> ## Content Index
> Fetch the complete content index at: https://arabroot.io/llms.txt
> Use this file to discover other available public pages before exploring further.

# رقمنة الكتب Digitization: من الماسح إلى نص عربي
- URL: https://arabroot.io/articles/رقمنة-الكتب-digitization-من-الماسح-الى-النص-العربي/
- Published: 2026-11-18T10:03:11.000Z
- Updated: 2026-11-18T11:02:57.000Z
- Description: سلسلة رقمنة كاملة على صفحة من كتاب طبع في بولاق 1906: نسخة حفظ TIFF وبصمة، وOCR نقيس خطأه على نص كتبناه بأيدينا، وPDF/A، وعرض عميق عبر IIIF.
- Author: فريق عرب رووت
- Tags: الأدلة التقنية, المكتبات ونظم المعلومات, تطبيقات لفريقك, الاستضافة الذاتية

في كثير من المكتبات العربية رف مقفل عليه كتب طبعت في بولاق أو بيروت أو إسطنبول قبل مئة سنة، ومخطوطات لا يسمح بلمسها إلا بقفازات. وعندما تقرر المكتبة أن «ترقمنها»، فالطريقة المعتادة أن يأخذ موظف الكتاب إلى الماسح الضوئي في المكتب، ويحفظ كل كتاب ملف PDF واحداً، ويرفعه إلى موقع المكتبة. وبعد سنوات تكتشف المكتبة أن هذه الملفات لا يبحث فيها أحد لأنها صور بلا نص، وأن دقتها لا تكفي لقراءة الحواشي، وأن الأصل الورقي تضرر من الضغط على الماسح، وأن إعادة المسح تعني أن تمر الكتب على الماسح مرة ثانية. والخطأ هنا لم يكن في الماسح، وإنما في غياب سلسلة عمل Workflow واضحة تحدد ماذا ينتج من كل صفحة، وأين يحفظ، ولماذا.

وقد شرحنا استخراج النص العربي من الصور وطريقة عمل Tesseract من الداخل في [دليل OCR مع Tesseract](https://arabroot.io/articles/%D8%A7%D8%B3%D8%AA%D8%AE%D8%B1%D8%A7%D8%AC-%D8%A7%D9%84%D9%86%D8%B5-%D9%85%D9%86-%D8%A7%D9%84%D8%B5%D9%88%D8%B1-%D9%88%D8%A7%D9%84%D9%85%D8%B3%D8%AA%D9%86%D8%AF%D8%A7%D8%AA-ocr-%D9%85%D8%B9-tesseract/)، ولن نعيد ذلك هنا. أما هذا المقال فعن السلسلة كلها حول OCR: من لحظة التصوير إلى ملف الحفظ، إلى النسخ التي يراها القارئ، إلى النص الذي يبحث فيه، وكم يكلف ذلك من التخزين.

وفي هذا المقال سوف نناقش:

- مراحل الرقمنة، والفرق بين الالتقاط Capture ونسخة الحفظ Preservation Master ونسخة الإنتاج Production Master والنسخ المشتقة Derivatives.
- الماسح المسطح أم الكاميرا فوق مهد الكتاب، والدقة، ولماذا TIFF غير مضغوط للحفظ.
- مختبر عملي على صفحة حقيقية من كتاب طبع في بولاق سنة 1906: من الالتقاط الأصلي إلى TIFF، ثم Checksum، ثم OCR نقيس دقته على نص كتبناه بأيدينا، ثم PDF/A نتحقق منه بـ veraPDF، ثم عرض عميق بـ IIIF عبر Cantaloupe.
- ثلاث مشكلات حقيقية ظهرت في المختبر: دقة مكتوبة خطأ في الملف، وPDF/A بلا نص رغم أن الأداة قالت إنها نجحت، وصيغة لا يدعمها سيرفر الصور.
- حساب التخزين والوقت لكل 1000 صفحة، ومتى تحتاج أداة غير Tesseract للمخطوطات.

وهذا المقال ضمن مرحلة «المستودعات والأرشيف الرقمي»:

[![](https://arabroot.io/content/images/2026/11/dspace-cover-cover.webp)دليلمستودع الجامعة Institutional Repository مع DSpaceكيف تشغل DSpace لأرشفة رسائل الطلاب وأبحاث الجامعة، من الإيداع ومراجعته حتى الحصاد عبر OAI-PMH، وما يحتاج تعريباً قبل الإطلاق.](https://arabroot.io/articles/%D8%AA%D8%AB%D8%A8%D9%8A%D8%AA-%D8%A7%D9%84%D9%85%D8%B3%D8%AA%D9%88%D8%AF%D8%B9-%D8%A7%D9%84%D8%B9%D9%84%D9%85%D9%8A-%D9%84%D9%84%D8%AC%D8%A7%D9%85%D8%B9%D8%A9-%D9%85%D8%B9-dspace/)[![](https://arabroot.io/content/images/2026/11/atom-archives-cover-cover.webp)دليلالأرشيف والوثائق بمعيار ISAD(G) مع AtoM وArchivesSpaceكيف تصف وثائق مؤسستك بمعيار ISAD(G) في AtoM بالعربية، مع مقارنة بـ ArchivesSpace ومختبر كشف ثلاث مشكلات في الاستيراد والبحث العربي وحلولها.](https://arabroot.io/articles/%D8%A7%D9%84%D8%A7%D8%B1%D8%B4%D9%8A%D9%81-%D9%88%D8%A7%D9%84%D9%88%D8%AB%D8%A7%D8%A6%D9%82-%D9%85%D8%B9-atom-%D9%88-archivesspace/)[![](https://arabroot.io/content/images/2026/11/oai-pmh-harvesting-cover-cover.webp)دليلالحصاد OAI-PMH: كيف تجمع البوابات سجلات المستودعاتكيف تحصد البوابات تسجيلات المستودعات بالبروتوكول OAI-PMH، مع حاصد صغير جربناه على مستودعين عربيين حقيقيين وما وجدناه فيهما من أخطاء في التواريخ واللغة والحذف.](https://arabroot.io/articles/%D8%A7%D9%84%D8%AD%D8%B5%D8%A7%D8%AF-oai-pmh-%D9%83%D9%8A%D9%81-%D8%AA%D8%AC%D9%85%D8%B9-%D8%A7%D9%84%D8%A8%D9%88%D8%A7%D8%A8%D8%A7%D8%AA-%D8%B3%D8%AC%D9%84%D8%A7%D8%AA-%D8%A7%D9%84%D9%85%D8%B3%D8%AA%D9%88%D8%AF%D8%B9%D8%A7%D8%AA/)

## الرقمنة ليست مسحاً ضوئياً فقط

الرقمنة Digitization سلسلة من المراحل، والمسح أولها فقط. والصورة التالية تبين ما ينتج من صفحة واحدة في سلسلة جيدة، والأرقام من المختبر الذي سوف نشرحه:

![مخطط ما ينتج من كل صفحة: الصفحة الورقية من مطبعة بولاق 1906، ثم الالتقاط بكاميرا بدقة 400 dpi في ملف JP2 حجمه 0.96MB، ثم نسخة الحفظ Preservation Master بصيغة TIFF غير مضغوط 50.1MB مع sha256، ثم نسخة الإنتاج Production Master بعد التدوير والقص 25.0MB مع sha256، ومنها أربع نسخ: للعرض العميق pyramidal TIFF عبر IIIF وCantaloupe 1.3MB، وللتصفح السريع JPEG بعرض 1600 بكسل وصورة مصغرة 300 بكسل 173KB و10KB، والنص من Tesseract بنموذج ara best ونمط psm 6 بنسبة خطأ بين 11.7 و13.0 بالمئة وحجم 3KB، وللتنزيل والحفظ ملف PDF/A-2B من ocrmypdf نجح في فحص veraPDF بحجم 413KB، وفي الأسفل القاعدة: كل ما في الصفوف السفلى يمكن إعادة إنتاجه من نسخة الحفظ والعكس غير ممكن، لذلك نسخة الحفظ هي ما تحميه بالنسخ الاحتياطي والـ Checksum](https://arabroot.io/content/images/2026/11/digitization-workflow-01-pipeline.webp)

صفحة واحدة تنتج سبعة ملفات، ولكل منها وظيفة

في الصورة أعلاه لاحظ التالي:

- **اتجاه واحد فقط:** كل ملف في الأسفل يمكن أن تعيد إنتاجه من نسخة الحفظ في دقائق، أما إذا ضاعت نسخة الحفظ فلا يمكن استعادتها من JPEG أو PDF، والحل الوحيد إعادة التصوير، أي أن يمر الكتاب الهش على الماسح مرة ثانية.
- **كل نسخة لجمهور:** الباحث الذي يقرأ الحاشية يحتاج العرض العميق، والطالب الذي يتصفح يحتاج JPEG خفيفاً، ومحرك البحث يحتاج النص، والقارئ الذي يريد الكتاب على جهازه يحتاج PDF.
- **الحجم في الأعلى:** أكثر من 96% من التخزين يذهب إلى نسختي TIFF، وهما بالضبط النسختان اللتان لا يراهما أحد، وهذا ما يجعل مديري الميزانيات يسألون: لماذا نحفظ ما لا يراه أحد؟ والإجابة في السطر الأول.

## الالتقاط Capture: الماسح المسطح أم الكاميرا؟

الماسح المسطح Flatbed Scanner الذي في المكتب مناسب للأوراق المنفصلة والصور الفوتوغرافية، ولكنه سيئ للكتب المجلدة، لأنك تفتح الكتاب 180 درجة وتضغطه على الزجاج لتصل إلى الهامش الداخلي، وهذا يكسر كعب الكتاب القديم، ومع ذلك تبقى الأسطر القريبة من الكعب منحنية. لذلك تستخدم مشاريع رقمنة الكتب كاميرا فوق مهد Book Cradle يفتح الكتاب بزاوية أقل من 180 درجة، وأحياناً لوح زجاج على شكل V يسطح الصفحتين دون ضغط على الكعب. والصورة التالية لماسح Scribe الذي صممه أرشيف الإنترنت Internet Archive لمشاريعه في المكتبات، ولاحظ اللوح المائل ولوحة الألوان المرجعية عليه:

![صورة حقيقية لماسح الكتب Scribe في مركز أرشيف الإنترنت: محطة عمل بإطار معدني أسود فيها لوح زجاجي مائل على شكل V فوق مهد الكتاب، وعلى اللوح بطاقة ألوان مرجعية ملونة ومسطرة، وخلفه شاشة ولوحة مفاتيح ومروحة، وكرسي جلدي أسود أمام المحطة، وصناديق كتب مرقمة على الرفوف في الخلفية](https://arabroot.io/content/images/2026/11/digitization-workflow-02-scribe-scanner.webp)

ماسح Scribe في أرشيف الإنترنت، تصوير Jason Scott، [ويكيميديا كومنز](https://commons.wikimedia.org/wiki/File:Scribe%5FBook%5FScanner.jpg?ref=arabroot.io)، رخصة [CC BY 2.0](https://creativecommons.org/licenses/by/2.0/?ref=arabroot.io)

وبلغة المعايير، أشهر مرجع لجودة التصوير هو إرشادات [FADGI](https://www.digitizationguidelines.gov/guidelines/digitize-technical.html?ref=arabroot.io) للمؤسسات الفيدرالية الأمريكية، وطبعتها الثالثة صدرت في 2023، وفيها مستويات بالنجوم لكل نوع من المواد، تحدد الدقة، ودقة الألوان، والتركيز، وطريقة قياس ذلك بلوحات مرجعية مثل التي في الصورة. والفكرة التي يجب أن تخرج بها حتى لو لم تقرأ الإرشادات: الجودة تقاس ولا تقدر بالعين، فاللوحة المرجعية في الصورة هي التي تقول لك بعد عشر سنوات هل ألوان هذا الملف صحيحة.

أما الدقة، فالكتاب المطبوع بحرف عادي يقرأ جيداً من 300 إلى 400 نقطة في البوصة dpi، والمخطوطة والحروف الصغيرة والحواشي تحتاج أكثر، والقاعدة العملية أن تختار الدقة التي تكفي لأصغر تفصيل في المادة، وليس لمتوسطها، لأن إعادة التصوير لاحقاً أغلى من التخزين الإضافي الآن. وسوف ترى في المختبر أن تصغير الصفحة من 400 إلى 200 dpi رفع خطأ OCR من 13% إلى أكثر من 16%.

## نسخة الحفظ ونسخة الإنتاج Master Files

هنا نقطة يخلط فيها كثيرون. نسخة الحفظ Preservation Master هي الالتقاط كما خرج من الكاميرا أو الماسح، دون قص ولا تدوير ولا تحسين، لأن أي معالجة قرار قد تريد أن تغيره بعد سنوات. ونسخة الإنتاج Production Master هي النسخة المدورة والمقصوصة على حدود الصفحة، وربما المصححة الألوان، ومنها تنتج كل النسخ الأخرى. وبعض المؤسسات تكتفي بنسخة واحدة، والقرار يعتمد على قيمة المادة وعلى الميزانية، ولكن يجب أن يكون قراراً مكتوباً وليس صدفة.

والصيغة المعتادة للحفظ هي TIFF غير مضغوط، أو مضغوطاً بضغط لا يفقد شيئاً Lossless، والسبب ليس جودة الصورة وحدها، وإنما أن الصيغة موثقة ومستقرة منذ عقود، كما في [صفحة TIFF في سجل صيغ الحفظ](https://www.loc.gov/preservation/digital/formats/fdd/fdd000022.shtml?ref=arabroot.io) لدى مكتبة الكونغرس، وأي برنامج بعد عشرين سنة سوف يقرؤها. أما JPEG فيفقد تفاصيل في كل حفظ، وPDF وعاء قد يحمل أي شيء بداخله، لذلك لا يصلح أي منهما نسخة حفظ. وتستخدم بعض المكتبات الكبرى JPEG 2000 بضغط لا يفقد شيئاً لتوفير المساحة، وهو خيار معقول، ولكنه أقل دعماً في الأدوات المعتادة.

والفرق في الحجم كبير كما سوف ترى في المختبر: الالتقاط الذي نشره أرشيف الإنترنت بصيغة JPEG 2000 مضغوطة بفقد كان نحو 1MB للصفحة، والصفحة نفسها TIFF غير مضغوط 50.1MB، أي خمسون ضعفاً. وقد يتساءل البعض: إذا كانت الصفحة المضغوطة تبدو مطابقة للعين، فلماذا ندفع خمسين ضعفاً؟ والإجابة أن «تبدو مطابقة» حكم بالعين على شاشة اليوم، أما الضغط بفقد فقرار حذف لا رجوع عنه، وكل جيل من المعالجة فوقه يضيف فقداً جديداً. لذلك القاعدة الشائعة في مؤسسات الحفظ: ضغط بلا فقد أو بلا ضغط لنسخة الحفظ، وضغط بفقد لكل ما يشتق منها، وهذا ما طبقناه.

ومع كل نسخة حفظ يجب أن يحفظ Checksum، أي بصمة رقمية للملف بخوارزمية مثل SHA-256، لأن الملفات تتغير مع الزمن دون أن يلاحظ أحد: خطأ في القرص، أو نسخ ناقص، أو برنامج فتح الملف وحفظه. والبصمة هي الطريقة الوحيدة لتعرف أن الملف الذي عندك اليوم هو نفسه الذي صورته، وسوف نجرب ذلك في المختبر.

## قبل التصوير: الحقوق والتسمية والبيانات

أغلب مشاريع الرقمنة التي تتعثر لا تتعثر عند الماسح، وإنما في ثلاثة قرارات تؤجل حتى يصبح تغييرها مكلفاً:

1. **الحقوق Rights:** قبل أن تصور أي كتاب، اعرف هل يمكن عرضه للعموم. الكتاب الذي توفي مؤلفه منذ عقود ونشر قبل قرن غالباً في الملك العام، أما الكتاب الحديث فتصويره للحفظ داخل المكتبة شيء، ونشره على الإنترنت شيء آخر يحتاج إذناً. ودون هذا القرار لكل مادة، سوف تجد نفسك بعد سنة أمام آلاف الملفات لا تعرف أيها يجوز نشره، وسجل القرار في وصف المادة نفسه، وليس في جدول جانبي.
2. **التسمية Naming:** اسم كل ملف يجب أن يربطه بالمادة ورقم الصفحة دون الرجوع إلى أي قاعدة بيانات، مثل `rihlatalsayfilab00muhauoft_raw_0020` في أرشيف الإنترنت: معرف المادة، ثم نوع الملف، ثم رقم الصورة بأربعة أرقام. ولا تستخدم العناوين العربية في أسماء الملفات، لأن كل نظام ملفات ونظام نسخ احتياطي يتعامل معها بطريقة مختلفة، ولا تستخدم المسافات.
3. **بيانات الالتقاط Capture Metadata:** متى صورت الصفحة، وبأي جهاز، وبأي دقة، ومن صورها. وهذه البيانات تبدو مملة اليوم، ولكنها هي التي أنقذت المختبر، فدقة 400 التي صححنا بها الملف جاءت من بيانات المادة في الأرشيف وليس من الملف نفسه.

وأضف إلى ذلك فحص الحالة المادية قبل التصوير: الكتاب الذي كعبه ضعيف أو أوراقه هشة يحتاج مهداً بزاوية أقل، أو يرسل إلى المرمم قبل الماسح، والسبب أن الرقمنة يجب ألا تكون سبب التلف الذي جاءت لتمنعه.

## المختبر: صفحة من كتاب طبع في بولاق سنة 1906

اخترنا كتاب «رحلة الصيف إلى بلاد البوسنة» لمحمد علي (1875-1955)، الذي طبعته المطبعة الأميرية في بولاق سنة 1906، وصوره أرشيف الإنترنت من نسخة مكتبة Robarts في جامعة تورنتو في يناير 2009، و[صفحته في أرشيف الإنترنت](https://archive.org/details/rihlatalsayfilab00muhauoft) تصنفه «ليس تحت حقوق النشر» NOT\_IN\_COPYRIGHT، فقد نشر قبل 1930، وتوفي مؤلفه سنة 1955\. واخترناه لسببين: الأول أن حرف بولاق هو الحرف الذي طبعت به آلاف الكتب العربية في القرن التاسع عشر وأول القرن العشرين، وهو ما سوف تجده في رفوف أغلب المكتبات القديمة، والثاني أن أرشيف الإنترنت ينشر للكتاب الالتقاط الخام Raw كما خرج من الكاميرا، بدقة 400 dpi من كاميرا 1Ds حسب بيانات المادة، وليس فقط النسخة المعالجة، فنستطيع أن نبدأ من حيث تبدأ أنت.

وأخذنا الصفحة 57 من الكتاب، وهي صفحة نثر كاملة فيها أقواس وأرقام عربية مشرقية وكلمات أجنبية مكتوبة بالعربية مثل «الهوسار» و«الجاويشية»، وهذه بالضبط الأشياء التي تخطئ فيها برامج OCR.

### الأدوات

كل الأدوات في Container واحد من Debian 13، من حزم التوزيعة الرسمية، مع نموذج Tesseract الأدق من مستودع [tessdata\_best](https://github.com/tesseract-ocr/tessdata%5Fbest?ref=arabroot.io):

```dockerfile
FROM debian:trixie-slim
RUN apt-get update && apt-get install -y --no-install-recommends \
      tesseract-ocr tesseract-ocr-ara imagemagick libvips-tools libopenjp2-tools \
      ocrmypdf libimage-exiftool-perl poppler-utils python3 curl ca-certificates bc \
    && rm -rf /var/lib/apt/lists/*
RUN mkdir -p /opt/tessdata_best && curl -sL -o /opt/tessdata_best/ara.traineddata \
      https://github.com/tesseract-ocr/tessdata_best/raw/main/ara.traineddata
```

والإصدارات التي ثبتت: Tesseract 5.5.0 مع Leptonica 1.84.1، وImageMagick 7.1.1-43، و[libvips](https://www.libvips.org/?ref=arabroot.io) 8.16.1 وهي مكتبة لمعالجة الصور الكبيرة بذاكرة قليلة، و[OCRmyPDF](https://ocrmypdf.readthedocs.io/en/latest/?ref=arabroot.io) 16.7.0، وExifTool 13.25\. وحجم الـ Image الناتج نحو 714MB، أغلبه Ghostscript ومكتبات Python التي يحتاجها OCRmyPDF.

### من الالتقاط إلى نسخة الإنتاج

هذا السكربت يأخذ ملف الالتقاط، وينتج منه نسختي الحفظ والإنتاج والنسخ المشتقة والبصمات:

```bash
#!/bin/sh
# Digitisation pipeline for one page: raw capture -> masters -> derivatives -> OCR -> PDF/A
# usage: sh pipeline.sh rihlatalsayfilab00muhauoft_raw_0020.jp2 p057 "760 620 2280 3650" 400
set -e
RAW=$1; ID=$2; CROP=$3; DPI=$4
PPMM=$(echo "scale=4; $DPI / 25.4" | bc)   # vips stores resolution in pixels per millimetre
mkdir -p out
# 1. preservation master: the capture as received, uncompressed TIFF, 400 dpi kept
vips copy "$RAW" out/$ID-preservation.tif --xres $PPMM --yres $PPMM
# 2. production master: rotated to reading position and cropped to the page, still uncompressed
vips copy "$RAW" /tmp/c.v --xres $PPMM --yres $PPMM
vips rot /tmp/c.v /tmp/r.v d270
vips crop /tmp/r.v out/$ID-master.tif $CROP
# 3. derivatives: tiled pyramidal TIFF for IIIF, an access JPEG and a thumbnail
vips tiffsave out/$ID-master.tif out/$ID-pyramid.tif --tile --pyramid --compression jpeg --Q 85 --tile-width 256 --tile-height 256
vips thumbnail out/$ID-master.tif out/$ID-access.jpg 1600 --size down
vips thumbnail out/$ID-master.tif out/$ID-thumb.jpg 300
# 4. fixity: a checksum for every master, written next to it
sha256sum out/$ID-preservation.tif out/$ID-master.tif > out/$ID.sha256
rm -f /tmp/r.v /tmp/c.v
exiftool -s -XResolution -ResolutionUnit -Compression out/$ID-master.tif
ls -l out/$ID-* | awk '{printf "%-28s %12d bytes\n", $9, $5}'
```

```bash
docker run --rm -v "$PWD:/w" -w /w lb3-dig:1 \
  sh pipeline.sh rihlatalsayfilab00muhauoft_raw_0020.jp2 p057 "760 620 2280 3650" 400
```

والمخرج سوف يكون كما يلي:

```text
XResolution                     : 399.9989929
ResolutionUnit                  : inches
Compression                     : Uncompressed
out/p057-access.jpg                172997 bytes
out/p057-master.tif              24966454 bytes
out/p057-preservation.tif        50140518 bytes
out/p057-pyramid.tif              1298892 bytes
out/p057-thumb.jpg                   9825 bytes
```

في المخرج أعلاه لاحظ التالي:

- **نسخة الحفظ 50.1MB:** وهي 5010 × 3336 بكسل في ثلاث قنوات ألوان، أي أن الحجم يحسب ببساطة: 5010 × 3336 × 3 بايت، ولا يعتمد على محتوى الصفحة، لأنها بلا ضغط. والالتقاط نفسه كما نشره الأرشيف كان 1.03MB فقط، لأنه JPEG 2000 بضغط يفقد بعض التفاصيل، أي أنه ليس نسخة حفظ بالمعنى الدقيق.
- **نسخة الإنتاج نصف الحجم:** 25.0MB، لأن القص أزال حافة الكتاب ومهد التصوير والصفحة المجاورة.
- **الـ pyramidal TIFF:** 1.3MB فقط، لأنه مضغوط بـ JPEG بجودة 85، ومقسم إلى مربعات Tiles، وفيه نسخ أصغر من الصفحة داخل الملف نفسه، وهذا هو الملف الذي سوف يقرؤه سيرفر IIIF.

والصورة التالية تبين نسختي الحفظ والإنتاج من الصفحة نفسها:

![صورتان حقيقيتان من المختبر للصفحة 57: على اليمين نسخة الحفظ Preservation Master وهي الالتقاط كما خرج من الكاميرا والصفحة مائلة 90 درجة ومعها حافة الكتاب ومهد التصوير الأسود المنقط بحجم 5010 في 3336 بكسل و50.1MB بلا ضغط، وفي الوسط نسخة الإنتاج Production Master مدورة ومقصوصة على الصفحة بحجم 2280 في 3650 بكسل و25.0MB، وعلى اليسار مربع داكن فيه الأمر exiftool XResolution والقيمة قبل 25.39999962 وبعد 399.9989929، والشرح أن رأس ملف JP2 لم يحمل الدقة الصحيحة فكتب الـ TIFF الأول أن دقته 25 dpi وTesseract خمن 70 dpi وأخطأ أكثر في تقسيم الصفحة](https://arabroot.io/content/images/2026/11/digitization-workflow-03-masters.webp)

نسخة الحفظ تبقى كما التقطت، ونسخة الإنتاج هي التي تعالج

### ماذا يحدث إذا ضاعت دقة الصورة؟

في النسخة الأولى من السكربت لم يكن فيه الخيار `--xres`، فقرأنا بيانات الملف الناتج بـ ExifTool، فوجدنا أن دقته 25.4 نقطة في البوصة، بينما بيانات الكتاب في الأرشيف تقول 400\. والسبب أن رأس ملف JP2 الأصلي يحمل قيمة دقة لم تفهمها libvips، فقرأتها بكسلاً واحداً في الملليمتر، أي 25.4 في البوصة، ونقلتها إلى TIFF كما هي. والصورة نفسها لم تتغير، ولكن البيانات التي تصفها أصبحت خطأ، وأعدنا OCR على الملف بهذه الدقة الخاطئة لنرى أثرها:

```bash
#!/bin/sh
# What if the master says 25.4 dpi (what the JP2 header gave us) instead of 400?
vips copy out/p057-master.tif out/p057-25dpi.tif --xres 1 --yres 1
exiftool -s -XResolution out/p057-25dpi.tif
for m in psm3 psm4 psm6; do
  tesseract out/p057-25dpi.tif out/d25-fast-$m -l ara --psm ${m#psm} >/dev/null 2>&1
  printf 'fast-%s at 25 dpi  ' $m; python3 cer.py p057-gt.txt out/d25-fast-$m.txt | head -1
done
tesseract out/p057-25dpi.tif out/d25-best-psm4 --tessdata-dir /opt/tessdata_best -l ara --psm 4 2>&1 | grep -i "resolution" | head -1
printf 'best-psm4 at 25 dpi  '; python3 cer.py p057-gt.txt out/d25-best-psm4.txt | head -1
rm -f out/p057-25dpi.tif
```

```text
XResolution                     : 25.39999962
fast-psm3 at 25 dpi  as printed       CER 22.70%  (380 edits / 1674 chars)   WER 61.18%
fast-psm4 at 25 dpi  as printed       CER 22.70%  (380 edits / 1674 chars)   WER 61.18%
fast-psm6 at 25 dpi  as printed       CER 18.70%  (313 edits / 1674 chars)   WER 54.61%
Warning: Invalid resolution 25 dpi. Using 70 instead.
best-psm4 at 25 dpi  as printed       CER 14.46%  (242 edits / 1674 chars)   WER 54.28%
```

أي أن Tesseract رفض القيمة ووضع 70 dpi بدلاً منها، كما يقول التحذير، وارتفع الخطأ في وضع تقسيم الصفحة التلقائي psm 3 من 16.61% بالدقة الصحيحة إلى 22.70%، لأن Tesseract يستخدم الدقة ليقدر حجم الحرف المتوقع عند تقسيم الصفحة إلى أعمدة وأسطر. أما الوضع psm 6، الذي يعامل الصفحة كتلة نص واحدة، فلم يتأثر. والدرس أوسع من OCR: البيانات التقنية في الملف جزء من نسخة الحفظ، فإذا قال الملف إن دقته 25 dpi، فكل من يحسب منه المقاس الحقيقي للصفحة بعد سنوات سوف يخطئ. لذلك أضفنا إلى السكربت الدقة من سجل التصوير صراحة، وتحقق ExifTool في آخره منها، وافحص أنت أول ملف في كل مشروع بالطريقة نفسها.

### الـ Checksum: كيف تعرف أن الملف لم يتغير؟

السكربت كتب بصمة SHA-256 لكل نسخة في الملف `p057.sha256`. والآن نحاكي ما يحدث بعد سنوات: نتحقق من الملفات، ثم نغير بايتاً واحداً في منتصف نسخة الإنتاج، كأن قطاعاً في القرص تلف، ونتحقق مرة ثانية:

```bash
#!/bin/sh
# Check the masters against their checksums, then change one byte in the production master and check again
sha256sum -c out/p057.sha256
cp out/p057-master.tif /tmp/backup.tif
printf '\377' | dd of=out/p057-master.tif bs=1 seek=12000000 conv=notrunc status=none
sha256sum -c out/p057.sha256
cp /tmp/backup.tif out/p057-master.tif
```

```text
out/p057-preservation.tif: OK
out/p057-master.tif: OK
out/p057-preservation.tif: OK
out/p057-master.tif: FAILED
sha256sum: WARNING: 1 computed checksum did NOT match
```

أي أن تغيير بايت واحد من 25 مليون اكتشفته البصمة فوراً. ولاحظ أن الصورة بعد هذا التغيير قد تفتح بشكل طبيعي تماماً، ولن ترى فيها أي فرق بعينك، وهذا هو الخطر: التلف الصامت لا يعلن عن نفسه. لذلك ضع التحقق من البصمات مهمة مجدولة شهرية على مجلد نسخ الحفظ، واجعل نتيجتها تصل إلى بريد شخص يقرؤها، فإذا ظهر `FAILED` استعدت الملف من نسخة احتياطية، وتحققت من بصمتها قبل أن تستبدل به التالف.

وعندما تنقل مجموعة كاملة بين أنظمة أو مؤسسات، فهناك صيغة قياسية لحزم الملفات مع بصماتها اسمها BagIt، وهي موصوفة في [RFC 8493](https://www.rfc-editor.org/rfc/rfc8493?ref=arabroot.io): مجلد فيه الملفات، وبجانبها ملف بصمات لكل منها، وملف وصف للحزمة، فتتحقق الجهة المستلمة من كل ملف قبل أن تقبله.

### النص الصحيح الذي نقيس عليه Ground Truth

لا يمكن أن تقول إن OCR «جيد» أو «سيئ» دون أن تقيسه، والقياس يحتاج نصاً صحيحاً تقارن به. لذلك كتبنا نص الصفحة 57 بأيدينا من الصورة، سطراً سطراً، 25 سطراً، كما هو مطبوع: بالياء دون نقط في «الذى» و«فى»، وبالهمزات كما وضعتها المطبعة، وبالرقم المشرقي «٧٥». وحذفنا التشكيل القليل مثل الشدة في كلمة «يمتد»، لأننا نقيس الحروف وليس التشكيل. والملف في مجلد المختبر `p057-gt.txt`، وهذه أسطره الثلاثة الأولى:

```text
كانت (الفراش) الحيوان الذى يعرفه المصريون (بأبى دقيق) وكان يشق على
نفسى رؤية تلك الاشجار العتيقة مصابة بهذا الضرر العظيم والتلف الجسيم حيث
كنت أرى بعضها وقد تأكلت فروعه ولم تبق الا جذوعه والبعض مصابا
```

والمقياس هو نسبة الخطأ في الحروف Character Error Rate، واختصاراً CER: عدد التعديلات التي تحول نص OCR إلى النص الصحيح، حذفاً أو إضافة أو استبدالاً، مقسوماً على عدد حروف النص الصحيح. ومعه نسبة الخطأ في الكلمات WER بالطريقة نفسها على مستوى الكلمة. وهذا السكربت يحسبهما بعد توحيد ما لا يعد خطأ: التشكيل، والتطويل، والأسطر، وعلامات الاتجاه:

```python
"""Character error rate of OCR text against a hand transcription: python3 cer.py truth.txt ocr.txt
Both texts lose diacritics, tatweel, direction marks and line breaks first; the second line also unifies
letters that 1906 print and modern spelling write differently (alef forms, final ya, ta marbuta)."""
import sys, re
def clean(t, letters=False):
    t = re.sub(r"[ً-ْٰـ]", "", t)                 # diacritics and tatweel
    t = re.sub(r"[‎‏‪-‮⁦-⁩]", "", t)     # direction marks added by pdftotext
    t = re.sub(r"^[\s\-–—٠-٩\d]+$", "", t, flags=re.M)  # a line with the page number only
    if letters:
        t = re.sub("[أإآ]", "ا", t).replace("ى", "ي").replace("ة", "ه")
    t = t.translate(str.maketrans("0123456789", "٠١٢٣٤٥٦٧٨٩"))
    return re.sub(r"\s+", " ", t).strip()
def lev(a, b):
    prev = list(range(len(b) + 1))
    for i, ca in enumerate(a, 1):
        cur = [i]
        for j, cb in enumerate(b, 1):
            cur.append(min(prev[j] + 1, cur[j - 1] + 1, prev[j - 1] + (ca != cb)))
        prev = cur
    return prev[-1]
truth, ocr = open(sys.argv[1], encoding="utf-8").read(), open(sys.argv[2], encoding="utf-8").read()
for letters in (False, True):
    t, o = clean(truth, letters), clean(ocr, letters)
    e, we = lev(t, o), lev(t.split(), o.split())
    label = "letters unified" if letters else "as printed     "
    print(f"{label}  CER {100*e/len(t):5.2f}%  ({e} edits / {len(t)} chars)   WER {100*we/len(t.split()):5.2f}%")
```

ويطبع السكربت سطرين: الأول يقارن الحروف كما طبعت، والثاني يوحد الألف والهمزات والياء والتاء المربوطة، لأن المطبعة كتبت «فى» والنموذج قد يكتب «في»، وهذا ليس خطأ في القراءة بالمعنى الذي يهم الباحث.

### النتائج: نموذجان وثلاثة أوضاع لتقسيم الصفحة

شغلنا Tesseract على نسخة الإنتاج بنموذجين: `fast` الذي يأتي مع Debian، و`best` الأدق والأبطأ، وبثلاثة أوضاع لتقسيم الصفحة Page Segmentation Mode: الوضع 3 التلقائي، والوضع 4 لعمود واحد بأسطر مختلفة الطول، والوضع 6 لكتلة نص واحدة:

```bash
#!/bin/sh
# OCR the production master with the two Arabic models and two page-segmentation modes, timing each run
M=out/p057-master.tif
run() { name=$1; shift; s=$(date +%s.%N); tesseract "$M" out/$name "$@" >/dev/null 2>&1; e=$(date +%s.%N)
        printf '%-14s %5.1fs  ' "$name" "$(echo "$e - $s" | bc)"; python3 cer.py p057-gt.txt out/$name.txt | head -1; }
run fast-psm3 -l ara --psm 3
run fast-psm4 -l ara --psm 4
run fast-psm6 -l ara --psm 6
run best-psm4 --tessdata-dir /opt/tessdata_best -l ara --psm 4
run best-psm6 --tessdata-dir /opt/tessdata_best -l ara --psm 6
```

```text
fast-psm3        4.5s  as printed       CER 16.61%  (278 edits / 1674 chars)   WER 57.24%
fast-psm4        3.9s  as printed       CER 17.62%  (295 edits / 1674 chars)   WER 56.58%
fast-psm6        4.0s  as printed       CER 18.70%  (313 edits / 1674 chars)   WER 54.61%
best-psm4        5.8s  as printed       CER 13.50%  (226 edits / 1674 chars)   WER 50.66%
best-psm6        6.6s  as printed       CER 13.02%  (218 edits / 1674 chars)   WER 50.66%
```

ثم سألنا السؤال الذي يسأله كل من يبدأ: هل يساعد تنظيف الصورة؟ فجربنا النموذج والوضع الأفضل على أربع نسخ من الصفحة: رمادية، وأبيض وأسود بعتبة محلية تتكيف مع إضاءة كل منطقة، ومصغرة إلى 300 dpi، ومصغرة إلى 200 dpi:

```bash
#!/bin/sh
# Does cleaning the image help? Same model (best) and mode (psm 6) on four versions of the page
M=out/p057-master.tif
convert $M -colorspace Gray out/v-gray.png
convert $M -colorspace Gray -lat 60x60-8% out/v-binary.png
convert $M -colorspace Gray -resize 75% -density 300 out/v-300dpi.png
convert $M -colorspace Gray -resize 50% -density 200 out/v-200dpi.png
for v in gray binary 300dpi 200dpi; do
  tesseract out/v-$v.png out/v-$v --tessdata-dir /opt/tessdata_best -l ara --psm 6 >/dev/null 2>&1
  printf '%-8s ' $v; python3 cer.py p057-gt.txt out/v-$v.txt | head -1
done
```

```text
gray     as printed       CER 16.55%  (277 edits / 1674 chars)   WER 58.22%
binary   as printed       CER 11.71%  (196 edits / 1674 chars)   WER 47.04%
300dpi   as printed       CER 12.01%  (201 edits / 1674 chars)   WER 49.34%
200dpi   as printed       CER 16.31%  (273 edits / 1674 chars)   WER 54.93%
```

![رسم أعمدة لنسبة الخطأ في الحروف CER على الصفحة 57 بـ 1674 حرفاً كلما قل كان أفضل: fast مع psm 3 والدقة 25 dpi خطأ 22.70، وfast مع psm 3 بدقة 400 dpi 16.61، وfast مع psm 6 18.70، وbest مع psm 4 13.50، وbest مع psm 6 ملون 13.02، وbest مع psm 6 رمادي 16.55، وbest مع psm 6 أبيض وأسود 11.71 وهو الأفضل، وbest مع psm 6 مصغرة إلى 300 dpi 12.01، ومصغرة إلى 200 dpi 16.31، وocrmypdf إلى PDF/A ثم pdftotext 14.58، وفي الأسفل: أفضل نتيجة نموذج best مع تقسيم الصفحة كتلة واحدة psm 6 على صورة أبيض وأسود وما زال خطأ في حرف من كل تسعة تقريباً](https://arabroot.io/content/images/2026/11/digitization-workflow-04-cer.webp)

النموذج الأدق ووضع الكتلة الواحدة وصورة أبيض وأسود: 11.71%

والآن نقرأ الأرقام معاً:

- **النموذج أهم من أي إعداد:** أفضل نتيجة بالنموذج السريع 16.61%، وأسوأ نتيجة بالأدق 16.55%، وكل النتائج الأخرى للأدق بين 12% و13.5%. والثمن وقت أكثر قليلاً، بين 5 و7 ثوان للصفحة بدلاً من 4.
- **الوضع 6 أفضل لهذه الصفحة:** الصفحة عمود واحد منتظم، فتعاملها ككتلة واحدة يمنع Tesseract من تقسيمها بطريقة خاطئة. ولكن هذا ليس قاعدة: صفحة فيها حواش أو جدول أو عمودان تحتاج وضعاً آخر، لذلك جرب على عينة من كتبك أنت.
- **الرمادي أسوأ من الملون:** هذه نتيجة لم نتوقعها، فالتحويل إلى رمادي رفع الخطأ من 13.02% إلى 16.55%، ولكن الأبيض والأسود بعتبة محلية خفضه إلى 11.71%. والسبب الأرجح أن ورق الكتاب الأصفر وظلال الحبر في الرمادي تجعل الحد بين الحرف والورق غير واضح، والعتبة المحلية تحسم هذا الحد. أي أن «تنظيف الصورة» ليس خطوة واحدة صحيحة دائماً، وإنما تجربة تقيسها.
- **300 dpi تكفي للنص المطبوع:** التصغير إلى 300 لم يغير النتيجة تقريباً، والتصغير إلى 200 رفع الخطأ بوضوح. وهذا لا يعني أن تصور بـ 300، فنسخة الحفظ تخدم أغراضاً غير OCR، ولكنه يعني أن OCR لا يحتاج نسخة الحفظ كاملة.
- **توحيد الحروف لا يغير كثيراً:** الفرق بين السطرين في كل نتيجة أقل من نصف نقطة، أي أن أغلب الأخطاء أخطاء قراءة حقيقية، وليست اختلاف إملاء بين 1906 واليوم.

### أين أخطأ؟

الأرقام وحدها لا تكفي لتعرف ما الذي تحتاجه، والصورة التالية تضع أول أسطر الصفحة بجانب ما قرأه Tesseract بالنموذج الأدق:

![أعلى الصورة جزء حقيقي من الصفحة 57 بحرف بولاق فيه رقم الصفحة ٥٧ وأول ثلاثة أسطر، وتحته مقارنة: النص الصحيح كانت الفراش الحيوان الذى يعرفه المصريون بأبى دقيق وكان يشق على، وما قرأه Tesseract كانت الفراش السوان الذى يعرفه المصرون بأى دقق وكان بشت على، ثم النص الصحيح كنت أرى بعضها وقد تأكلت فروعه ولم تبق الا جذوعه والبعض مصابا، وما قرأه Tesseract كنت أرى نعضها وقد تأكات فروعه ولم ب الا جذوعه والبعض مصانا، والكلمات الخاطئة ملونة بالأحمر](https://arabroot.io/content/images/2026/11/digitization-workflow-05-errors.webp)

أغلب الأخطاء في النقاط: ب صارت ن، وي صارت س، والكلمة القصيرة اختفت

في المقارنة أعلاه لاحظ التالي:

- **النقاط:** «بعضها» قرئت «نعضها»، و«مصابا» قرئت «مصانا»، و«يشق» قرئت «بشت». والحروف التي تختلف في النقاط فقط، ب وت وث ون وي، هي أكثر ما يخطئ فيه OCR العربي، وحرف بولاق يضع النقاط صغيرة وقريبة من بعضها.
- **الحروف المتراكبة:** «الحيوان» صارت «السوان»، لأن حرف بولاق يركب الحاء فوق الياء في شكل واحد، والنموذج تدرب أكثر على خطوط حديثة لا تفعل ذلك.
- **الكلمات القصيرة:** «تبق» اختفت وبقي منها حرف واحد، والكلمة القصيرة بين مسافتين كبيرتين أصعب على النموذج.

وماذا يعني 11.7% للباحث؟ يعني أن البحث عن «الحيوان» في هذه الصفحة لن يجدها، أما البحث عن «الفراش» أو «العظيم» أو «جذوعه» فسوف يجدها. أي أن OCR بهذه الدقة يجعل الكتاب قابلاً للبحث بشكل جزئي، وهو أفضل كثيراً من صورة بلا نص، ولكنه لا يصلح نصاً للنشر أو الاقتباس دون مراجعة بشرية، كما شرحنا في دليل OCR.

### النص بعد OCR: تصحيح أم لا؟

عندك الآن نص فيه خطأ في حرف من كل تسعة، والسؤال الذي سوف يطرح في أول اجتماع: هل نصححه؟ والإجابة تعتمد على ما تريده من النص. إذا كان الهدف أن يجد الباحث الكتاب في البحث، فالنص كما هو يكفي غالباً، لأن الكلمة المهمة تتكرر في الكتاب عشرات المرات، ويكفي أن تقرأ صحيحة في بعضها. أما إذا كان الهدف نصاً يقتبس منه أو ينشر، فالتصحيح البشري ضروري، وهو أغلى مرحلة في المشروع كله.

ومن الطرق التي جربت في المجال العربي التصحيح الجماعي، مثل مشروع [ويكي مصدر العربي](https://ar.wikisource.org/wiki/%D9%81%D9%87%D8%B1%D8%B3%3A-1911-%D9%83%D8%AA%D8%A7%D8%A8%5F%D8%A7%D9%84%D9%85%D8%B7%D8%A7%D9%84%D8%B9%D8%A9%5F%D8%A7%D9%84%D8%B9%D8%B1%D8%A8%D9%8A%D8%A9%5F-%5F%D9%86%D8%A8%D9%88%D9%8A%D8%A9%5F%D9%85%D9%88%D8%B3%D9%89.djvu?ref=arabroot.io)، حيث تعرض صورة الصفحة بجانب نصها، ولكل صفحة حالة من خمس: «بدون نص»، و«لم تصحح»، و«بها مشاكل»، و«صححت»، و«تحقق محرر منها». وهذا النموذج نفسه يصلح داخل مكتبة: صفحة لا تعتبر منتهية حتى يراجعها شخص ثان.

وهناك أمر آخر يغفل عنه كثيرون: النص وحده بلا موقع. فإذا بحث القارئ عن كلمة ووجدها، يريد أن يرى أين هي في صورة الصفحة. لذلك يخرج Tesseract إلى جانب النص صيغاً تحفظ مكان كل كلمة على الصفحة، مثل hOCR، ومثل [ALTO](https://www.loc.gov/standards/alto/?ref=arabroot.io) التي تديرها مكتبة الكونغرس وتستخدمها المكتبات الوطنية في مشاريع الصحف القديمة، وعارض IIIF يستطيع أن يضع مستطيلاً فوق الكلمة في الصورة من هذه الإحداثيات. واحفظ أحد هذين الملفين لكل صفحة من البداية، فإعادة OCR لاحقاً للحصول على الإحداثيات تعني أن تشغل المشروع كله مرة ثانية.

### PDF/A: ملف يقرأ بعد عشرين سنة

القارئ يريد في النهاية ملف PDF يقرؤه ويبحث فيه، والمكتبة تريد أن يكون هذا الملف صالحاً للحفظ الطويل. والصيغة المخصصة لذلك هي PDF/A، وهي معيار ISO 19005، وتلزم الملف بأن يحمل داخله كل ما يحتاجه للعرض: الخطوط، وتعريف الألوان، والبيانات الوصفية، دون اعتماد على أي شيء خارجه. والأداة OCRmyPDF تأخذ الصورة، وتشغل Tesseract، وتضع النص طبقة غير مرئية تحت الصورة، وتخرج PDF/A مباشرة:

```bash
#!/bin/sh
# Searchable PDF/A from the production master, then read back what is inside it.
# The best model lives in its own folder, so give it the configs (pdf, txt, hocr) that ship with Debian's tessdata
cp -rn /usr/share/tesseract-ocr/5/tessdata/configs /opt/tessdata_best/
TESSDATA_PREFIX=/opt/tessdata_best ocrmypdf -l ara --output-type pdfa-2 --tesseract-pagesegmode 6 \
    --image-dpi 400 --optimize 1 out/p057-master.tif out/p057.pdf 2>&1 | grep -v "^\s*$" | tail -3
ls -l out/p057.pdf | awk '{print "size:", $5, "bytes"}'
pdfinfo out/p057.pdf | grep -E "Producer|Pages|Page size|PDF version"
exiftool -XMP-pdfaid:all out/p057.pdf
pdffonts out/p057.pdf | tail -1
pdftotext out/p057.pdf out/p057-pdf.txt
python3 cer.py p057-gt.txt out/p057-pdf.txt | head -1
```

والسطر الأول في السكربت جاء من مشكلة حقيقية. في المحاولة الأولى لم يكن موجوداً، فكان هذا المخرج:

```text

Image optimization ratio: 1.04 savings: 3.7%
Total file size ratio: 19.28 savings: 94.8%
Output file is a PDF/A-2B (as expected)
size: 405292 bytes
Producer:        pikepdf 9.5.2
Pages:           1
Page size:       410.4 x 657 pts
PDF version:     1.7
Part                            : 2
Conformance                     : B
as printed       CER 100.00%  (1674 edits / 1674 chars)   WER 100.00%
```

أي أن OCRmyPDF قال «Output file is a PDF/A-2B (as expected)»، وكل شيء يبدو ناجحاً، ولكن آخر سطر يقول إن النص المستخرج من الملف لا يطابق شيئاً، بنسبة خطأ 100%، لأن الملف لا يحمل أي نص. والسبب ظهر عندما شغلنا الأمر دون تصفية المخرج: Tesseract طبع `read_params_file: Can't open pdf`، لأن المجلد الذي فيه النموذج الأدق لا يحتوي ملفات الإعداد `configs` التي يحتاجها Tesseract ليكتب طبقة النص، وOCRmyPDF أكمل العمل وأخرج PDF/A صالحاً بصورة فقط. وبعد نسخ مجلد الإعداد كان المخرج:

```text
Image optimization ratio: 1.04 savings: 3.7%
Total file size ratio: 18.93 savings: 94.7%
Output file is a PDF/A-2B (as expected)
size: 412759 bytes
Producer:        pikepdf 9.5.2
Pages:           1
Page size:       410.4 x 657 pts
PDF version:     1.7
Part                            : 2
Conformance                     : B
PDYSXV+GlyphLessFont                 CID TrueType      Identity-H       yes yes yes      8  0
as printed       CER 14.58%  (244 edits / 1674 chars)   WER 54.93%
```

والدرس الذي يجب أن تخرج به: **لا تثق برسالة النجاح، وتحقق من الناتج نفسه**، فأضف إلى سلسلة العمل خطوة تستخرج النص من كل PDF بالأمر pdftotext، وتنبهك إذا كان فارغاً. وبعد ذلك تحققنا من أن الملف PDF/A فعلاً بأداة [veraPDF](https://verapdf.org/?ref=arabroot.io)، وهي أداة التحقق المرجعية التي تدعمها جمعية PDF ومؤسسات الحفظ الأوروبية، وبجانبه ملف PDF عادي أخرجه Tesseract مباشرة للمقارنة:

```bash
docker run --rm -v "$PWD/out:/data" verapdf/cli:v1.30.4 --flavour 2b --format text /data/p057.pdf /data/p057-plain.pdf
```

```text
PASS /data/p057.pdf 2b
FAIL /data/p057-plain.pdf 2b
```

وعندما طلبنا تفاصيل الملف الثاني بصيغة XML، كانت القواعد التي فشل فيها من المعيار ISO 19005-2 خمساً، منها:

```text
<rule specification="ISO 19005-2:2011" clause="6.1.7.1" testNumber="1" status="failed" failedChecks="1">
<rule specification="ISO 19005-2:2011" clause="6.6.2.1" testNumber="1" status="failed" failedChecks="1">
<rule specification="ISO 19005-2:2011" clause="6.2.4.3" testNumber="2" status="failed" failedChecks="1">
<rule specification="ISO 19005-2:2011" clause="6.1.7.1" testNumber="2" status="failed" failedChecks="4">
<rule specification="ISO 19005-2:2011" clause="6.1.3" testNumber="1" status="failed" failedChecks="1">
```

وأهمها لمن لا يقرأ المعايير: البند 6.2.4.3 يعني أن الملف يستخدم ألوان RGB دون تعريف لونها Output Intent، فقد تظهر الألوان مختلفة على جهاز آخر بعد سنوات، والبند 6.6.2.1 يعني أن الملف بلا بيانات وصفية XMP. وكلاهما أصلحه OCRmyPDF تلقائياً في الملف الأول. ولاحظ أيضاً الحجم: ملف PDF/A كان 413KB، بينما الملف العادي من Tesseract 832KB، لأن OCRmyPDF يعيد ضغط الصورة بطريقة أذكى.

### IIIF: الصفحة نفسها بأي حجم ومن أي مكان

ملف PDF يناسب التنزيل، ولكن الباحث الذي يريد أن يقرب على حاشية في مخطوطة لا يريد أن ينزل 50MB. وهنا يأتي الإطار الدولي لتبادل الصور IIIF، واختصاراً «تريبل آي إف»، وهو مجموعة معايير تتبناها مكتبات كبرى حول العالم، وأهم ما فيه [واجهة الصور Image API](https://iiif.io/api/image/3.0/?ref=arabroot.io): رابط واحد تطلب به أي منطقة من الصورة، بأي حجم، وأي تدوير، وأي جودة. والسيرفر الذي يرد على هذه الروابط في المختبر هو [Cantaloupe](https://cantaloupe-project.github.io/?ref=arabroot.io) 5.0.8، وهو سيرفر صور مفتوح المصدر بلغة Java، شغلناه من الملف الرسمي على Java 25، وغيرنا في إعداده سطرين فقط:

```diff
166c166
< FilesystemSource.BasicLookupStrategy.path_prefix = /home/myself/images/
---
> FilesystemSource.BasicLookupStrategy.path_prefix = /images/
712c712
< log.application.level = debug
---
> log.application.level = info
```

```bash
docker run -d --name lb3-iiif -p 127.0.0.1:8182:8182 \
  -v "$PWD/cantaloupe-5.0.8:/opt/cantaloupe:ro" -v "$PWD/cantaloupe.properties:/etc/cantaloupe.properties:ro" \
  -v "$PWD/images:/images:ro" eclipse-temurin:25-jdk-alpine \
  java -Dcantaloupe.config=/etc/cantaloupe.properties -Xmx1g -jar /opt/cantaloupe/cantaloupe-5.0.8.jar
curl -s http://127.0.0.1:8182/iiif/3/p057-pyramid.tif/info.json
```

والرد يصف الصورة للعارض:

```json
{"@context":"http://iiif.io/api/image/3/context.json","id":"http://127.0.0.1:8182/iiif/3/p057-pyramid.tif",
 "type":"ImageService3","protocol":"http://iiif.io/api/image","profile":"level2","width":2280,"height":3650,
 "sizes":[{"width":71,"height":114},{"width":143,"height":228},{"width":285,"height":456},{"width":570,"height":913},
          {"width":1140,"height":1825},{"width":2280,"height":3650}],
 "tiles":[{"width":512,"height":512,"scaleFactors":[1,2,4,8,16,32]}],
 "extraQualities":["bitonal","color","gray"],"extraFormats":["tif","gif"], ...}
```

ثم طلبنا الصفحة بسبع طرق، مرتين، لنرى الحجم والوقت بعد أن يسخن السيرفر:

```bash
#!/bin/sh
# Ask Cantaloupe for the same page in different ways and print status, bytes and time for each
B=${B:-http://127.0.0.1:8182/iiif/3/p057-pyramid.tif}
for p in info.json full/max/0/default.jpg full/600,/0/default.jpg 1200,900,800,400/max/0/default.jpg \
         1200,900,800,400/max/0/bitonal.png full/300,/90/gray.jpg full/max/0/default.webp; do
  curl -s -o /dev/null -w "%{http_code} %{size_download} bytes %{time_total}s  $p\n" "$B/$p"
done
```

```text
200 803 bytes 0.010152s  info.json
200 734715 bytes 0.758169s  full/max/0/default.jpg
200 81376 bytes 0.233146s  full/600,/0/default.jpg
200 36556 bytes 0.075436s  1200,900,800,400/max/0/default.jpg
200 17537 bytes 0.121063s  1200,900,800,400/max/0/bitonal.png
200 23217 bytes 0.116778s  full/300,/90/gray.jpg
415 3155 bytes 0.045149s  full/max/0/default.webp
```

![شرح رابط IIIF: المسار iiif/3/p057-pyramid.tif ثم المنطقة Region بالقيمة 1200,900,800,400 أي x,y,w,h أو full، ثم الحجم Size بالقيمة max أو 600, أو ,300، ثم التدوير Rotation بالدرجات 0، ثم الجودة والصيغة default.jpg أو color أو gray أو bitonal، وتحته ردود Cantaloupe 5.0.8 في المختبر بعد التسخين: info.json 803 بايت في 0.010 ثانية، والصفحة كاملة full/max 734715 بايت في 0.758 ثانية، وعرض 600 بكسل 81376 بايت في 0.233 ثانية، والمنطقة 1200,900,800,400 بحجمها الكامل 36556 بايت في 0.075 ثانية، والمنطقة نفسها bitonal.png 17537 بايت، والصفحة بعرض 300 مدورة 90 درجة رمادية 23217 بايت، وطلب webp رد بالرمز 415، وبجانبها ملاحظات: الصفحة كاملة 735KB والسطر الذي يريده الباحث 37KB فقط، والمصدر ملف واحد pyramidal TIFF 1.3MB، والصيغة غير المدعومة ترد 415 Unsupported Media Type](https://arabroot.io/content/images/2026/11/digitization-workflow-06-iiif.webp)

العارض لا ينزل الصفحة كاملة، وإنما يطلب ما يظهر على الشاشة فقط

في المخرج أعلاه لاحظ التالي:

- **المنطقة أخف من الصفحة:** الصفحة بدقتها الكاملة 735KB، بينما منطقة بحجم 800 × 400 بكسل، أي سطران أو ثلاثة، 37KB في 75 ملي ثانية. وهذا ما يجعل التقريب على مخطوطة من الهاتف ممكناً.
- **الملف المصدر واحد:** كل هذه الأحجام والتدويرات والجودات تخرج من الـ pyramidal TIFF الذي حجمه 1.3MB، ولا يوجد ملف مستقل لكل حجم.
- **webp غير مدعوم:** رد السيرفر بالرمز 415، أي أن هذه الصيغة ليست ضمن ما يستطيع إخراجه بإعداده الحالي، والقائمة الصحيحة في `info.json` نفسه: jpg وpng الأساسيتان، ومعهما tif وgif. لذلك اقرأ `info.json` قبل أن تكتب العارض.

وأي عارض IIIF يقرأ `info.json` ويبني الصفحة من المربعات وحده. والصورة التالية من صفحة HTML صغيرة فيها [OpenSeadragon](https://openseadragon.github.io/?ref=arabroot.io) 4.1.0 موجهاً إلى السيرفر نفسه، والمربع الصغير في الأعلى يبين أين نحن من الصفحة:

![لقطة شاشة حقيقية لعارض OpenSeadragon في المتصفح يعرض الصفحة 57 من خادم Cantaloupe بتكبير كبير: يظهر رقم الصفحة ٥٧ وأول تسعة أسطر بحرف بولاق واضح بما فيها النقاط والحروف المتراكبة، وفي الزاوية العليا اليسرى أزرار التكبير والتصغير والصفحة الرئيسية وملء الشاشة، ومربع ملاحة صغير فيه الصفحة كاملة ومستطيل أحمر حول الجزء المعروض](https://arabroot.io/content/images/2026/11/digitization-workflow-08-iiif-viewer.webp)

عرض عميق للصفحة من سيرفر IIIF: الباحث يقرب حتى يرى النقاط

وقيمة IIIF الحقيقية ليست في العارض، وإنما في أن الصورة أصبحت لها عنوان قياسي، فأي مكتبة أخرى أو مشروع بحثي يستطيع أن يعرض صفحتك في عارضه، أو يضعها بجانب نسخة أخرى من الكتاب نفسه في مكتبة أخرى، دون أن ينسخ الملف. ويضاف إلى واجهة الصور واجهة العرض Presentation API، التي تصف الكتاب كله بصفحاته وترتيبها في ملف واحد اسمه Manifest، ويقرؤه عارض مثل [Mirador](https://projectmirador.org/?ref=arabroot.io) ليعرض الكتاب كاملاً.

## ضبط الجودة Quality Control

الحاسب يقيس ما طلبت منه قياسه فقط، أما الصفحة المفقودة أو المكررة أو المصورة وإصبع الموظف عليها فلا يكتشفها إلا فحص منظم. والطريقة العملية في المشاريع الكبيرة فحص بالعينة على مرحلتين:

- **فحص آلي لكل ملف:** الأبعاد والدقة من ExifTool، والبصمة موجودة، وعدد الصور يساوي عدد صفحات الكتاب في وصفه، ونص OCR غير فارغ، وملف PDF/A يمر من veraPDF. وهذه كلها أوامر رأيتها في المختبر، وتجمع في سكربت واحد يشغل بعد كل كتاب.
- **فحص بشري بالعينة:** عشر صفحات عشوائية من كل كتاب، وكل الصفحات الأولى والأخيرة، لأن الأخطاء تتجمع عند الغلاف والفهارس والخرائط المطوية. والفاحص يبحث عن الصفحة المائلة، والتركيز الضعيف، والظل عند الكعب، والصفحة المقلوبة.

وسجل نتيجة كل فحص مع الكتاب، فإذا ظهر بعد سنة أن صفحة ناقصة، تعرف هل كانت ناقصة في الأصل أم ضاعت في التصوير. ولاحظ في المختبر أن أرشيف الإنترنت يحتفظ لكل كتاب بالالتقاط الخام والنسخة المعالجة معاً، وهذا بالضبط ما يسمح لأي شخص أن يعيد المعالجة بقرارات مختلفة بعد خمس عشرة سنة، كما فعلنا.

## كم تحتاج من التخزين والوقت؟

من أحجام المختبر نستطيع أن نحسب لأي مشروع. أخذنا خمس صفحات متتالية من الكتاب، من 18 إلى 22، وقسنا حجم الالتقاط وحجم نسخة الحفظ لكل منها:

```bash
#!/bin/sh
# Size of the capture as delivered (JPEG 2000) and as an uncompressed TIFF master, for five pages
printf '%-40s %12s %12s\n' page jp2_bytes tiff_bytes
for f in rihlatalsayfilab00muhauoft_raw_00*.jp2; do
  vips copy "$f" /tmp/m.tif
  printf '%-40s %12d %12d\n' "$f" "$(stat -c %s "$f")" "$(stat -c %s /tmp/m.tif)"
done
vipsheader -a rihlatalsayfilab00muhauoft_raw_0020.jp2 | grep -E "width|height|bands|xres|yres|format" | head -6
rm -f /tmp/m.tif
```

```text
page                                        jp2_bytes   tiff_bytes
rihlatalsayfilab00muhauoft_raw_0018.jp2       1042461     50140518
rihlatalsayfilab00muhauoft_raw_0019.jp2        849223     50140518
rihlatalsayfilab00muhauoft_raw_0020.jp2       1032920     50140518
rihlatalsayfilab00muhauoft_raw_0021.jp2        890344     50140518
rihlatalsayfilab00muhauoft_raw_0022.jp2       1008333     50140518
rihlatalsayfilab00muhauoft_raw_0020.jp2: 5010x3336 uchar, 3 bands, srgb, jp2kload
width: 5010
height: 3336
bands: 3
format: uchar
xres: 1
```

أي أن نسخة الحفظ ثابتة الحجم 50.1MB لكل صفحة لأنها غير مضغوطة، والالتقاط المضغوط بين 0.85 و1.04MB بحسب محتوى الصفحة. ومن ذلك ومن أحجام الصفحة 57:

![رسم أعمدة للتخزين بالجيجابايت لكل 1000 صفحة بمقاس صفحة 1906: نسخة الحفظ TIFF غير مضغوط 50.1، ونسخة الإنتاج TIFF مقصوصة 25.0، والالتقاط JP2 كما نشره الأرشيف 0.96، وpyramidal TIFF لـ IIIF 1.30، وPDF/A بالنص 0.41، وJPEG للعرض وصورة مصغرة 0.18، وتحته: المجموع لنسخة واحدة نحو 78GB لكل 1000 صفحة أكثر من 96 بالمئة منها نسختا TIFF، ومع قاعدة 3-2-1 للنسخ الاحتياطي تصبح النسخ الأصلية ثلاث نسخ نحو 225GB لنسختي TIFF وحدهما، والـ OCR بنموذج best قرابة 5 إلى 7 ثوان للصفحة على معالج i7-7700K أي ساعة ونصف إلى ساعتين لكل 1000 صفحة](https://arabroot.io/content/images/2026/11/digitization-workflow-07-storage.webp)

نسختا TIFF هما الميزانية، والباقي تفاصيل

| الملف             | للصفحة الواحدة | لكل 1000 صفحة | هل يحتاج نسخاً احتياطياً؟                      |
| ----------------- | -------------- | ------------- | ---------------------------------------------- |
| نسخة الحفظ TIFF   | 50.1MB         | 50.1GB        | نعم، ثلاث نسخ مع البصمات                       |
| نسخة الإنتاج TIFF | 25.0MB         | 25.0GB        | نعم، أو تعاد من نسخة الحفظ إذا كتبت خطوات القص |
| pyramidal TIFF    | 1.3MB          | 1.3GB         | لا، يعاد إنتاجه                                |
| PDF/A بالنص       | 413KB          | 0.41GB        | لا، يعاد إنتاجه                                |
| JPEG وصورة مصغرة  | 183KB          | 0.18GB        | لا                                             |
| نص OCR            | 3KB            | 3MB           | نعم إذا صحح يدوياً، لأن التصحيح عمل بشري       |

والرقم الذي يجب أن تأخذه إلى الاجتماع: نحو 78GB لكل 1000 صفحة لنسخة واحدة من كل شيء، وإذا طبقت قاعدة النسخ الاحتياطي 3-2-1 على نسختي TIFF، أي ثلاث نسخ على وسيطين وواحدة خارج المبنى، فالتخزين الفعلي نحو 225GB لكل 1000 صفحة. ومكتبة فيها 2000 كتاب بمتوسط 300 صفحة، أي 600 ألف صفحة، تحتاج إذن نحو 135TB، وهذا رقم يستحق أن تقرر بسببه هل تحتاج نسخة إنتاج منفصلة أم تكفي نسخة الحفظ. ولاحظ أن الكتاب الأكبر مقاساً أو المصور بدقة أعلى أكبر حجماً، فاحسب على عينة من كتبك أنت. أما الوقت، فـ OCR بالنموذج الأدق أخذ بين 5 و7 ثوان للصفحة على معالج Intel Core i7-7700K، أي ساعة ونصف إلى ساعتين لكل 1000 صفحة بعملية واحدة، والمعالج نفسه يشغل أربع عمليات في الوقت نفسه، ولكن الوقت الحقيقي في أي مشروع هو وقت التصوير والمراجعة البشرية، وليس وقت الحاسب.

## كيف تختار الإعداد لمكتبتك أنت؟

الأرقام في هذا المقال من صفحة واحدة بحرف واحد، ولا تنقلها إلى مقتنياتك كما هي. والطريقة التي اتبعناها هي نفسها التي تتبعها في مكتبتك، وتأخذ يوماً واحداً من موظف:

1. اختر من كل نوع من الحروف في مقتنياتك صفحة نموذجية: حرف بولاق، وحرف مطابع بيروت، والطباعة الحجرية، والآلة الكاتبة، والطباعة الحديثة.
2. اكتب نص كل صفحة بيدك، كما هو مطبوع، وراجعه شخص ثان، لأن خطأ في النص الصحيح يظهر في القياس كأنه خطأ OCR.
3. شغل `ocr.sh` و`preprocess.sh` على كل صفحة، واكتب النتائج في جدول واحد.
4. اختر لكل نوع الإعداد الأقل خطأ، واكتب القرار في وثيقة المشروع مع الأرقام، حتى يعرف من يأتي بعدك لماذا اختير.

وقد يتساءل البعض: لماذا لا نستخدم نماذج الذكاء الاصطناعي الحديثة التي تقرأ الصور وتخرج نصاً نظيفاً؟ والإجابة أن هذه النماذج قد تعطي نصاً أفضل في بعض الصفحات، ولكن لها مشكلة لا توجد في OCR التقليدي: عندما لا تستطيع قراءة كلمة، قد تكتب كلمة أخرى مقبولة لغوياً بدلاً منها، فيبدو النص صحيحاً وهو ليس كذلك، بينما خطأ Tesseract ظاهر مثل «السوان» بدلاً من «الحيوان». لذلك إذا جربت أي نموذج من هذا النوع، فقسه بالطريقة نفسها على النص الصحيح، ولا تحكم عليه من شكل النص، وانتبه أيضاً إلى أن إرسال صور مقتنيات المكتبة إلى خدمة خارجية قرار يحتاج موافقة على شروطها.

## المخطوطات: متى لا يكفي Tesseract؟

كل ما سبق على نص مطبوع، والحرف المطبوع يتكرر بالشكل نفسه في كل الصفحات. أما المخطوطة فكل ناسخ له خطه، والخط نفسه يتغير من أول المخطوطة إلى آخرها، والأسطر قد تكون مائلة، والحواشي تدور حول النص. وTesseract لم يدرب على هذا، والتعرف على الخط اليدوي Handwritten Text Recognition، واختصاراً HTR، مجال له أدواته. وأشهر الأدوات المفتوحة المصدر للنصوص العربية التاريخية هي [Kraken](https://kraken.re/?ref=arabroot.io)، ومعها واجهة [eScriptorium](https://gitlab.com/scripta/escriptorium?ref=arabroot.io) التي يستخدمها الباحثون لنسخ المخطوطات وتصحيح النسخ وتدريب نموذج على خط بعينه. والفكرة أن تنسخ يدوياً عدداً من الصفحات، عشرين أو ثلاثين، ثم تدرب نموذجاً عليها، ثم يقرأ النموذج بقية المخطوطة، ثم تصحح وتعيد التدريب. أي أن المخطوطة مشروع تدريب، وليست أمراً واحداً تشغله. وهذا خارج حدود هذا المقال، فلم نجربه هنا، ولكن القاعدة العملية واضحة: إذا كانت مقتنياتك مطبوعة فابدأ بـ Tesseract بالنموذج الأدق، وإذا كانت مخطوطات فلا تعد أحداً بنص قابل للبحث قبل أن تجرب HTR على عينة منها.

## أين تضع الملفات؟

سلسلة الرقمنة تنتج ملفات، والملفات تحتاج أنظمة، وكل ملف في المكان المناسب له:

- **نسخ الحفظ:** على تخزين مخصص للحفظ، مع البصمات والنسخ الاحتياطي، وليس داخل نظام العرض. ولا يحتاج الجمهور الوصول إليها.
- **الوصف:** الكتاب المطبوع يوصف في نظام المكتبة مثل [Koha](https://arabroot.io/articles/%D8%AA%D8%AB%D8%A8%D9%8A%D8%AA-%D9%86%D8%B8%D8%A7%D9%85-%D8%A7%D9%84%D9%85%D9%83%D8%AA%D8%A8%D8%A9-koha-%D9%84%D8%A7%D8%AF%D8%A7%D8%B1%D8%A9-%D8%A7%D9%84%D9%83%D8%AA%D8%A8-%D9%88%D8%A7%D9%84%D8%A7%D8%B9%D8%A7%D8%B1%D8%A9/)، والوثيقة والمخطوطة في نظام أرشيف مثل AtoM، والرسالة في المستودع مثل [DSpace](https://arabroot.io/articles/%D8%AA%D8%AB%D8%A8%D9%8A%D8%AA-%D8%A7%D9%84%D9%85%D8%B3%D8%AA%D9%88%D8%AF%D8%B9-%D8%A7%D9%84%D8%B9%D9%84%D9%85%D9%8A-%D9%84%D9%84%D8%AC%D8%A7%D9%85%D8%B9%D8%A9-%D9%85%D8%B9-dspace/).
- **العرض:** PDF/A مرفق بالوصف للتنزيل، وسيرفر IIIF يخدم الـ pyramidal TIFF، ورابط من الوصف إلى العارض.
- **النص:** في فهرس البحث، مع تطبيع عربي يوحد الهمزات والتاء المربوطة كما شرحنا في [البحث في النصوص العربية](https://arabroot.io/articles/%D8%A7%D9%84%D8%A8%D8%AD%D8%AB-%D9%81%D9%8A-%D8%A7%D9%84%D9%86%D8%B5%D9%88%D8%B5-%D8%A7%D9%84%D8%B9%D8%B1%D8%A8%D9%8A%D8%A9-%D9%85%D8%B9-opensearch-%D9%88-meilisearch/)، لأن OCR سوف يكتب «الى» و«إلى» بحسب ما يراه في الصفحة.

## أخطاء شائعة وحلولها

| الخطأ                            | ما الذي يحدث                                                           | الحل                                                    |
| -------------------------------- | ---------------------------------------------------------------------- | ------------------------------------------------------- |
| حفظ PDF أو JPEG فقط              | لا توجد نسخة يعاد منها أي شيء، وإعادة المسح تعني مرور الكتاب مرة ثانية | TIFF غير مضغوط أو بضغط لا يفقد شيئاً، مع بصمة           |
| كتب مجلدة على ماسح مسطح          | كعب الكتاب يتضرر، والأسطر عند الكعب منحنية                             | كاميرا فوق مهد بزاوية أقل من 180 درجة                   |
| عدم فحص بيانات الملف             | دقة 25 dpi مكتوبة في الملف، وOCR أسوأ، والمقاس الحقيقي ضائع            | ExifTool على أول ملف في كل مشروع، والدقة من سجل التصوير |
| الثقة برسالة النجاح              | PDF/A صالح بلا طبقة نص                                                 | pdftotext على كل ملف، وتنبيه إذا كان فارغاً             |
| قياس OCR بالعين                  | انطباع «جيد» أو «سيئ» لا يقارن بين الإعدادات                           | صفحة نص صحيح لكل نوع من الكتب، وCER لكل إعداد           |
| تحويل كل الصور إلى رمادي قبل OCR | الخطأ ارتفع في المختبر من 13.02% إلى 16.55%                            | تجربة كل معالجة على عينة وقياسها                        |
| بصمات بلا تحقق دوري              | التلف الصامت يكتشف بعد أن تتلف النسخ الاحتياطية أيضاً                  | تحقق شهري مجدول، ونتيجته تصل لشخص                       |
| وعد بنص قابل للبحث للمخطوطات     | Tesseract لا يقرأ خط الناسخ                                            | تجربة HTR على عينة قبل أي وعد                           |

## قائمة تحقق قبل أن تبدأ مشروع رقمنة

- قائمة المواد وحالتها المادية، وقرار مكتوب بالدقة ونوع الالتقاط لكل نوع منها.
- حقوق كل مادة مراجعة: ما الذي يمكن عرضه للعموم، وما الذي يرقمن للحفظ فقط.
- تسمية ملفات ثابتة تربط كل صفحة بالكتاب ورقم الصفحة، مثل `rihlatalsayfilab00muhauoft_0020`.
- نسخة حفظ TIFF مع بصمة SHA-256، ومهمة تحقق شهرية، ونسختان احتياطيتان واحدة منهما خارج المبنى.
- بيانات تقنية صحيحة في كل ملف: الدقة، والأبعاد، وتعريف الألوان.
- صفحة نص صحيح لكل نوع من الحروف في مقتنياتك، وسكربت CER لاختيار النموذج والإعداد.
- PDF/A يتحقق منه veraPDF، ونص يستخرج من كل ملف ويفحص أنه ليس فارغاً.
- سيرفر IIIF أو على الأقل JPEG للعرض، ورابط من الوصف في النظام إلى الصور.
- حساب التخزين من عينة حقيقية من كتبك، وليس من أرقام عامة.

## تدريب عملي

- اختر صفحة واحدة من أقدم كتاب مطبوع في مكتبتك، وصورها، واكتب نصها بيدك، ثم شغل `ocr.sh` و`cer.py` عليها، وقارن نتيجتك بنتيجة صفحة بولاق.
- شغل `fixity.sh` على مجلد صور حقيقي عندك بعد أن تكتب له بصمات، وضع التحقق في مهمة مجدولة.

## الخلاصة

وصلنا لنهاية الموضوع، وأهم ما فيه:

- الرقمنة سلسلة: التقاط، ثم نسخة حفظ لا تمس، ثم نسخة إنتاج، ثم نسخ مشتقة لكل جمهور، وكل ما يشتق يعاد إنتاجه من نسخة الحفظ والعكس غير ممكن.
- نسخة الحفظ TIFF غير مضغوط مع بصمة SHA-256 وتحقق دوري، وتغيير بايت واحد من 25 مليون اكتشفته البصمة فوراً.
- على صفحة من كتاب طبع في بولاق 1906، كانت أفضل نتيجة لـ Tesseract 5.5.0 بالنموذج الأدق ووضع الكتلة الواحدة وصورة أبيض وأسود 11.71% خطأ في الحروف، وأغلب الأخطاء في النقاط والحروف المتراكبة.
- بيانات الملف جزء من الحفظ: دقة 25 dpi مكتوبة خطأ رفعت الخطأ في وضع التقسيم التلقائي من 16.61% إلى 22.70%.
- OCRmyPDF أخرج PDF/A صالحاً بلا نص وقال إنه نجح، فتحقق من الناتج نفسه، وveraPDF هو المرجع للتحقق من PDF/A.
- IIIF يجعل للصورة عنواناً قياسياً، ومنطقة من الصفحة 37KB بدلاً من 735KB للصفحة كاملة، من ملف مصدر واحد 1.3MB.
- التخزين نحو 78GB لكل 1000 صفحة لنسخة واحدة، ونحو 225GB لنسختي TIFF بقاعدة 3-2-1، والمخطوطات تحتاج HTR مثل Kraken وليس Tesseract.

وبهذا تكتمل مرحلة المستودعات والأرشيف الرقمي، وفي المرحلة التالية بإذن الله ننتقل إلى خدمات المكتبة الحديثة، وأولها الإعارة الذاتية:

[![](https://arabroot.io/content/images/2026/11/library-rfid-cover-cover.webp)دليلالإعارة الذاتية RFID ومعيار SIP2 في المكتبةكيف تعمل أجهزة الإعارة الذاتية من الشريحة إلى نظام المكتبة، مع مختبر يشغل خادم SIP2 في Koha ويطبع كل رسالة، ويكشف مشكلتين مع الأسماء العربية.](https://arabroot.io/articles/%D8%A7%D9%84%D8%A7%D8%B9%D8%A7%D8%B1%D8%A9-%D8%A7%D9%84%D8%B0%D8%A7%D8%AA%D9%8A%D8%A9-rfid-%D9%88%D9%85%D8%B9%D9%8A%D8%A7%D8%B1-sip2-%D9%81%D9%8A-%D8%A7%D9%84%D9%85%D9%83%D8%AA%D8%A8%D8%A9/)[![](https://arabroot.io/content/images/2026/11/eresources-access-cover-cover.webp)دليلقواعد البيانات من خارج الحرم: الوكيل Proxy وSSOلماذا يرفض الناشر طالب الجامعة في بيته، وكيف يحل ذلك وكيل يعيد كتابة الروابط أو الدخول الموحد، مع مختبر يبني وكيلاً بـ nginx ودخولاً عبر SAML.](https://arabroot.io/articles/%D8%A7%D9%84%D9%88%D8%B5%D9%88%D9%84-%D8%A7%D9%84%D9%89-%D9%82%D9%88%D8%A7%D8%B9%D8%AF-%D8%A7%D9%84%D8%A8%D9%8A%D8%A7%D9%86%D8%A7%D8%AA-%D9%85%D9%86-%D8%AE%D8%A7%D8%B1%D8%AC-%D8%A7%D9%84%D8%AD%D8%B1%D9%85-proxy-%D9%88-sso/)[![](https://arabroot.io/content/images/2026/11/library-analytics-cover-cover.webp)دليلتقارير المكتبة وقياس الاستخدام COUNTER وSUSHIكيف تقيس المكتبة استخدام اشتراكاتها وكتبها بأرقام تدافع عنها: معيار COUNTER 5.1 وسحب التقارير بـ SUSHI وتقارير SQL في Koha، مع مختبر لكل منها.](https://arabroot.io/articles/%D8%AA%D9%82%D8%A7%D8%B1%D9%8A%D8%B1-%D8%A7%D9%84%D9%85%D9%83%D8%AA%D8%A8%D8%A9-%D9%88%D9%82%D9%8A%D8%A7%D8%B3-%D8%A7%D9%84%D8%A7%D8%B3%D8%AA%D8%AE%D8%AF%D8%A7%D9%85-counter/)

## سجل التحديثات

- 17 نوفمبر 2026: كتابة المقال، وتنفيذ سلسلة الرقمنة على الصفحة 57 من كتاب «رحلة الصيف إلى بلاد البوسنة» (بولاق 1906) من الالتقاط الخام في أرشيف الإنترنت، بـ libvips 8.16.1 وTesseract 5.5.0 وOCRmyPDF 16.7.0 وveraPDF 1.30.4 وCantaloupe 5.0.8، وقياس CER على نص كتبناه يدوياً.