OCR فارسی روی سرور خودتان: یک آزمایش قابل اجرای Tesseract با Docker

با یک کانتینر، تصویر آزمایشی فارسی بسازید و بدون فرستادن سند به سرویس بیرونی، متن آن را استخراج کنید. این نمونه برای سنجش اولیهٔ اسکن‌های چاپی است، نه دست‌خط یا بازسازی جدول.

برای استخراج متن یک خط چاپی فارسی روی زیرساخت خودتان، از Tesseract با مدل fas شروع کنید. نمونهٔ زیر یک تصویر فارسی می‌سازد، OCR را داخل Docker اجرا می‌کند و فایل UTF-8 تحویل می‌دهد؛ هنگام پردازش، تصویر به API بیرونی ارسال نمی‌شود. مخاطب این راهنما سارا، توسعه‌دهندهٔ بک‌اند یک سامانهٔ بایگانی داخلی است که پیش از ساخت سرویس می‌خواهد امکان استخراج متن از برش‌های تک‌خطی اسناد را آزمایش کند.

مرز آزمایش: یک تصویر تک‌خطی، یک فایل متن

ورودی این آزمایش یک PNG با عبارت «سلام دنیا» است؛ خروجی، فایل result.txt خواهد بود. Tesseract برای فارسی از شناسهٔ fas استفاده می‌کند، نه fa. گزینهٔ --psm 7 به موتور می‌گوید کل تصویر را یک خط متن فرض کند. این انتخاب عامدانه است: در این مرحله می‌خواهیم نصب مدل و مسیر تصویر تا متن را بررسی کنیم، نه تشخیص چیدمان یک صفحهٔ کامل.

پیش‌نیاز میزبان Docker و یک پوستهٔ سازگار با Bash است. ساخت تصویر کانتینر به اینترنت نیاز دارد تا بسته‌ها دریافت شوند؛ پس «پردازش محلی» در اینجا به معنای بی‌نیازی از سرویس OCR بیرونی است، نه نصب اولیهٔ کاملاً آفلاین. در محیط جدا از اینترنت باید تصویر ساخته‌شده و بررسی‌شده را از مسیر مجاز به سرور مقصد منتقل کنید.

نمونهٔ قابل اجرا: ساخت ورودی و استخراج متن

بلوک زیر را در یک پوشهٔ خالی با Bash اجرا کنید. این دستورها Dockerfile و اسکریپت آزمایش را می‌سازند و سپس کانتینر را اجرا می‌کنند. Pillow فقط برای تولید ورودی معلوم استفاده شده است؛ شکل‌دهی حروف فارسی به پشتیبانی Raqm نیاز دارد و اسکریپت در نبود آن صریحاً متوقف می‌شود، تا تصویر خراب را با خطای OCR اشتباه نگیریم.

```bash
mkdir -p persian-ocr-demo
cd persian-ocr-demo

cat > Dockerfile <<'EOF'
FROM python:3.12-slim-bookworm
RUN apt-get update && apt-get install -y --no-install-recommends \
tesseract-ocr tesseract-ocr-fas fonts-dejavu-core libraqm0 \
&& rm -rf /var/lib/apt/lists/*
RUN pip install --no-cache-dir Pillow
WORKDIR /app
COPY demo.py /app/demo.py
ENTRYPOINT ["python", "/app/demo.py"]
EOF

cat > demo.py <<'EOF'
from pathlib import Path
import subprocess
import unicodedata
from PIL import Image, ImageDraw, ImageFont, features

out = Path('/out')
out.mkdir(parents=True, exist_ok=True)

if not features.check_feature('raqm'):
raise SystemExit('Raqm is required to render the Persian test input correctly.')

expected = 'سلام دنیا'
font = ImageFont.truetype(
'/usr/share/fonts/truetype/dejavu/DejaVuSans.ttf', 80
)
image = Image.new('RGB', (900, 220), 'white')
draw = ImageDraw.Draw(image)
draw.text(
(450, 110), expected, font=font, fill='black',
anchor='mm', direction='rtl', language='fa'
)
image_path = out / 'input.png'
image.save(image_path, dpi=(300, 300))

subprocess.run(
['tesseract', str(image_path), str(out / 'result'),
'-l', 'fas', '--psm', '7'],
check=True
)
raw = (out / 'result.txt').read_text(encoding='utf-8')

def normalize(text):
text = unicodedata.normalize('NFC', text)
text = text.replace('ي', 'ی').replace('ك', 'ک')
return ' '.join(text.split())

actual = normalize(raw)
print('EXPECTED:', expected)
print('OCR:', actual)
print('MATCH:', actual == normalize(expected))
print('FILES: /out/input.png /out/result.txt')
EOF

docker build -t persian-ocr-demo .
mkdir -p out
docker run --rm --network none \
-v "$PWD/out:/out" persian-ocr-demo
```

خروجی مورد انتظار شامل خطوط زیر است؛ پیام‌های تشخیصی Tesseract ممکن است جداگانه نمایش داده شوند. مقدار MATCH نتیجهٔ واقعی آزمایش است، نه مقداری ثابت در برنامه. اگر False شد، ابتدا out/input.png و سپس متن خام out/result.txt را ببینید. وجود فایل خروجی به‌تنهایی به معنی درست‌خواندن متن نیست.

```other
EXPECTED: سلام دنیا
OCR: سلام دنیا
MATCH: True
FILES: /out/input.png /out/result.txt
```

در اجرای کانتینر شبکه با --network none قطع شده است؛ بنابراین همین آزمایش پس از ساخت تصویر، بدون دسترسی شبکه انجام می‌شود. فایل متنی ترتیب منطقی نویسه‌ها را نگه می‌دارد؛ نحوهٔ نمایش راست‌به‌چپ به ترمینال یا ویرایشگر بستگی دارد. اگر متن در ترمینال نامرتب دیده شد، پیش از معکوس‌کردن رشته، آن را در یک ویرایشگر پشتیبان فارسی بررسی کنید.

حالا یک برش واقعی را جایگزین کنید

یک برش تک‌خطی از سند واقعی را با نام out/scan.png ذخیره کنید و دستور زیر را از همان پوشه اجرا کنید. entrypoint را عوض می‌کنیم تا به‌جای مولد تصویر، مستقیماً Tesseract اجرا شود. این مرحله پل مهم آزمایش است: تصویر مصنوعی فقط سالم‌بودن زنجیره را نشان می‌دهد، اما لکه، کجی، اندازهٔ حروف و کیفیت اسکن در سند واقعی تعیین‌کننده‌اند.

```bash
docker run --rm --network none \
-v "$PWD/out:/out" \
--entrypoint tesseract persian-ocr-demo \
/out/scan.png /out/scan-result -l fas --psm 7

cat out/scan-result.txt
```

برای یک صفحه شامل بلوک یکنواخت متن، psm 6 را جداگانه آزمایش کنید؛ برای تحلیل خودکار صفحه می‌توان psm 3 را سنجید. تفاوت تصمیم‌ساز، فرض چیدمان است، نه برتری همیشگی یک عدد. اگر ورودی چند ستون یا جدول دارد، تغییر psm به‌تنهایی تضمین نمی‌کند ترتیب خواندن درست شود؛ آن مسئله به قطعه‌بندی و ارزیابی چیدمان نیاز دارد و خارج از این نمونه است.

کجا شکست می‌خورد و چه چیزی را بسنجیم؟

یک حالت شکست رایج، اسکن کج یا حروف خیلی کوچک است. ابتدا برش و کجی را بررسی کنید؛ ثبت عدد ۳۰۰ در metadata یک تصویر کم‌جزئیات، جزئیات ازدست‌رفته را بازنمی‌گرداند. راهنمای رسمی Tesseract دربارهٔ وضوح، نویز و کجی توصیه‌هایی دارد، اما سیاه‌وسفیدکردن تهاجمی می‌تواند نقطه‌های حروف فارسی را حذف کند. معامله روشن است: حذف پس‌زمینه ممکن است خوانایی را بهتر کند، ولی حذف نقطه هویت حرف را عوض می‌کند؛ تصویر اصلی را نگه دارید و خروجی هر پیش‌پردازش را مقایسه کنید.

سارا برای تصمیم اولیه می‌تواند ۲۰ برش نماینده از اسناد خودش انتخاب کند و متن درست هرکدام را دستی بنویسد. خطاهای حذف، درج و جایگزینی نویسه را نسبت به طول متن مرجع ثبت کند و خطا در شماره‌ها یا مبالغ را جداگانه علامت بزند. نرمال‌سازی ی و ک برای جست‌وجو مفید است، اما نگه‌داشتن متن خام ضروری است؛ یکسان‌سازی بی‌قید فاصله‌ها یا نیم‌فاصله‌ها ممکن است خطایی را که برای کاربرد شما مهم است پنهان کند.

این راه را برای استخراج خودکار و بدون بازبینی مبلغ پرداخت، سند دست‌نویس یا بازسازی جدول انتخاب نکنید. همچنین این کانتینر یک آزمایش خط فرمان است، نه سرویس آمادهٔ تولید: پیش از پذیرش فایل کاربران، محدودیت اندازه و تعداد پیکسل، مهلت اجرا، محدودیت منابع و سیاست حذف فایل لازم است. برای تکرارپذیری نیز نسخهٔ Tesseract، مدل زبان و تصویر کانتینر را ثبت و قفل کنید؛ تغییر هرکدام می‌تواند نتیجهٔ آزمایش را تغییر دهد.

منابع

Tesseract: Command Line Usage
https://tesseract-ocr.github.io/tessdoc/Command-Line-Usage.html

Tesseract: Improving the quality of the output
https://tesseract-ocr.github.io/tessdoc/ImproveQuality.html

Tesseract tessdata: Persian language model
https://github.com/tesseract-ocr/tessdata/blob/main/fas.traineddata

Pillow: ImageDraw text rendering
https://pillow.readthedocs.io/en/stable/reference/ImageDraw.html

No comments yet