مقارنة أدوات التوصيف للمستندات وملفات PDF: مفتوحة المصدر ومدفوعة

يحتاج توصيف ملف PDF إلى ثلاثة أشياء لا توفرها أداة نصية: عرض الصفحة الحقيقية، وربط التسميات بإحداثيات الصفحة، وربط التوصيفات عبر الصفحات. تعرض Potato وLabelbox وINCEpTION وKili ملفات PDF عرضًا أصليًا. وLabelbox وPotato هما الأداتان اللتان توثّقان طريقة لربط توصيفات على صفحات مختلفة. أما الإصدار مفتوح المصدر من Label Studio فيطلب منك تحويل ملف PDF إلى صور أولًا، وتوصيف PDF الأصلي فيه ميزة من ميزات Enterprise.

يصف ملف PDF علامات على صفحات بدلًا من تسلسل من المحارف، ولذلك فإن توصيفه كنص مستخرج يهدر رقم الصفحة وترتيب الأعمدة وبنية الجداول. تشرح صفحة كيفية توصيف المستندات سبب أهمية ذلك وما البدائل المتاحة. أما هذه الصفحة فتقارن بين الأدوات.

تغطي هذه الصفحة المستندات فقط. وتغطي صفحة مقارنة أدوات التوصيف كل أنواع البيانات في صفحة واحدة.

القدرات جنبًا إلى جنب

قُرئ كل مُدخل أدناه من توثيق الأداة نفسها بتاريخ 2026-09-24. تعني الشرطة أن التوثيق لم يصف القدرة، وهذا لا يعني أن الأداة ترفضها.

عمودان يحسمان معظم المشاريع. العرض الأصلي هو ما يتيح للموصِّف أن يرى المستند بدلًا من إعادة بناء له، والربط عبر الصفحات هو ما يتيح له تسجيل أن ادعاءً في الصفحة 2 يستند إلى جدول في الصفحة 9.

الربط عبر الصفحات

العلاقات داخل الصفحة الواحدة شائعة. وكل أداة هنا تعرض ملفات PDF تستطيع وصل توصيفين متجاورين. أما الربط عبر حدود الصفحة فأندر، لأنه يتطلب من الواجهة أن تحتفظ بموقعين متباعدين على الشاشة أو في الذاكرة في الوقت نفسه.

توثّق Labelbox سير عمل صريحًا لذلك. يختار الموصِّف أداة العلاقة، ثم ينقر بالزر الأيمن على التوصيف الأول ويختار "تحديد بداية العلاقة" ("Select relationship start")، ثم يمرّر إلى الوجهة ويختار "تحديد نهاية العلاقة" ("Select relationship end"). وتسلك Potato المسلك الآخر، إذ تكدّس كل الصفحات في حاوية واحدة قابلة للتمرير في view_mode: scroll بحيث يكون طرفا الرابط في المتناول دون مغادرة العرض، وترسم الرابط على هيئة قوس واحد.

تدعم INCEpTION وKili كلتاهما العلاقات على ملفات PDF، ولا يذكر توثيق أي منهما ما إذا كانت العلاقة قد تمتد عبر الصفحات. عامل ذلك على أنه غير معروف لا على أنه نفي.

أين تختلف الإصدارات

Label Studio هي الحالة التي يهم فيها الإصدار أكثر من الأداة. يقول قالبها مفتوح المصدر للمستندات متعددة الصفحات إن التوصيف "يتطلب أن تعالج مستندك مسبقًا بتحويله إلى صور منفصلة" ("requires that you first pre-process your document by converting it into separate images")، وهو ما يفقد طبقة النص ومعها توصيف النطاقات النصية. أما عرض PDF الأصلي ووسم OcrLabels فموثّقان كميزتين في Enterprise، مع ملفات PDF حتى 100 صفحة وpageIndex مع كل نتيجة.

ويقرأ تعرفها الضوئي طبقة نص موجودة مسبقًا بدلًا من التعرف على المحارف في صورة. والتوثيق صريح بشأن هذا الشرط، إذ يطلب منك التحقق من "ما إذا كان بإمكانك تظليل النص في ملف PDF باستخدام المؤشر" ("whether you can highlight text in the PDF using your cursor"). والصفحة الممسوحة ضوئيًا تحتاج إلى خطوة تعرف ضوئي خارجية أولًا.

تصل Prodigy إلى ملفات PDF عبر إضافة prodigy-pdf المنفصلة، التي توفر pdf.image.manual للمربعات على الصفحات المعروضة، وpdf.spans.manual للنطاقات على النص المستخرج، وpdf.ocr.correct لمراجعة مخرجات Tesseract. وProdigy ترخيص مملوك مدى الحياة بسعر $390 للاستخدام الشخصي و$490 لكل مقعد للشركات، بحد أدنى خمسة مقاعد.

doccano وbrat أداتان نصيتان. يسرد كتالوج المستوردات المرفق مع doccano صيغ TextFile وTextLine وCSV وFastText وJSON وJSONL وExcel وCoNLL وImageFile وAudioFile، وليس بينها مستورد PDF. وتخزّن brat كل مستند كملف نصي عادي بترميز UTF-8 إلى جوار ملف .ann منفصل، فلا تمثيل للصفحات في نموذج بياناتها. وكلتاهما مرخصة برخصة MIT، وكلتاهما تبقى خيارًا جيدًا للمهام النصية التي بُنيت من أجلها.

صيغ الوسائط الموثّقة في CVAT هي الصور والفيديو والصوت والسحب النقطية. ولا يذكر توثيقها ملفات PDF، وهذه عبارة عن التوثيق لا عن قاعدة الشيفرة.

المستندات الممسوحة ضوئيًا

التعرف الضوئي على الحروف هو الموضع الذي تتباين فيه الأدوات أكثر ما تتباين في ما ستقوم به نيابة عنك. تتعرف Labelbox وKili على النص من البكسلات، فيعمل المستند الممسوح دون تحضير. وتستخدم Kili النص الأصلي في ملف PDF حيث يوجد وترجع إلى الصورة فيما عدا ذلك، وتقبل نتائج تعرف ضوئي محسوبة خارجيًا عبر حقل بيانات وصفية بصيغة Google Vision. أما Label Studio وINCEpTION فتتطلبان كلتاهما طبقة نص مضمّنة وتتركان التعرف لك.

التعرف الضوئي في Potato اختياري ولا يعمل إلا في وضع الربط. ويأخذ الخيار ocr القيم false أو true أو auto، وتشغّل القيمة auto هذه المرحلة فقط عندما تعود طبقة النص المضمّنة فارغة، وهو ما يناسب مجموعة بيانات تخلط ملفات رقمية المنشأ بملفات ممسوحة ضوئيًا.

instance_display:
  fields:
    - key: pdf
      type: pdf
      label: "Document"
      display_options:
        annotation_mode: link
        view_mode: scroll
        ocr: auto
        enable_text_anchors: true
        enable_region_anchors: true
        anchor_labels:
          - name: claim
            color: "#dc2626"
          - name: figure
            color: "#2563eb"
        link_types:
          - name: refers_to
            directed: true
            allowed_source_labels: [claim]
            allowed_target_labels: [figure]

يقيّد allowed_source_labels وallowed_target_labels المرتكزات التي يمكن لنوع رابط أن يصل بينها، فلا يبدأ رابط refers_to إلا على ادعاء ولا ينتهي إلا على شكل توضيحي. والتوجيه المعبَّر عنه بهذه الطريقة تفرضه الواجهة بدلًا من أن يتذكره الموصِّف.

ما لا تفعله Potato للمستندات

لا توفر Potato قوة عاملة من الموصِّفين، بينما بُنيت Labelbox وKili وScale حول خدمات توصيف مُدارة. وليس لدى Potato حلقة تدريب نماذج ملحقة بتوصيف المستندات، وهو ما تقدمه prodigy-pdf من خلال بقية Prodigy. ولا يعمل التعرف الضوئي في Potato إلا في وضع الربط، فمهمة في وضع النطاقات على ملفات ممسوحة تحتاج إلى إضافة طبقة النص مسبقًا.

تستخدم ملفات Word وMarkdown عرض document المنفصل في Potato بدلًا من عرض pdf. ومن بين الأدوات هنا، قوائم الصيغ في doccano وINCEpTION صريحة بما يكفي للقول إن DOCX غائب؛ أما البقية فلا تذكره بنفي ولا إثبات.

قراءات إضافية

• كيفية توصيف المستندات وملفات PDF تغطي المرتكزات والمستندات الممسوحة وما يحمله التخطيط.
• توصيف PDF توثّق كل خيار يأخذه عرض pdf.
• مقارنة أدوات التوصيف تغطي كل أنواع البيانات في صفحة واحدة.
• مقارنة أدوات توصيف النصوص تغطي التعرف على الكيانات المسماة والعلاقات والتصنيف.

روجعت المعلومات مقابل توثيق كل مشروع وصفحة أسعاره ومستودعه بتاريخ 2026-09-24. إذا كانت إحدى الخانات خاطئة، أخبرنا.