→ العودة إلى المعرض

ORVIA

أرشيف ذكي للمستندات العربية — تعرّف ضوئي على الحروف، وبحث داخل المحتوى، وتظليل للنتائج مباشرة على الصفحة الممسوحة.

الدورمهندس Full-stack
التقنيات.NET 10، React 19، PostgreSQL
التعرّف الضوئيTesseract 5.5، PDFium، OpenCV
الحالةقيد التطوير

نظرة عامة

ORVIA نظام لأرشفة المستندات العربية مبني حول دورة واحدة: أرشفة ← تعرّف ضوئي ← بحث ← استرجاع. وتظهر قيمته الحقيقية في لحظة واحدة — تُدخل ملف PDF ممسوحاً ضوئياً، وبعد دقائق تجد جملة «تم نقل الموظف أحمد» في صفحته السابعة، مظلّلة على صورة الصفحة نفسها.

هذا الجزء الأخير هو جوهر المشروع. أنظمة كثيرة تخبرك أي مستند يطابق البحث، لكن أن تريك أين بالضبط داخل صورة ممسوحة، وبالعربية، فهذه مشكلة مختلفة تماماً.

مشكلة اللغة العربية

بالنسبة لقاعدة البيانات، أحمد واحمد واَحْمَد ثلاث كلمات مختلفة تماماً. والأمر نفسه ينطبق على ة/ه وى/ي والتطويل ـ والأرقام الهندية. ودون توحيدها، يتشتّت الفهرس ويصبح البحث بلا فائدة.

مصدر واحد للحقيقة
مُوحِّد نصوص واحد يغذّي الفهرسة والبحث وبناء المقتطفات معاً — فلا يمكن أن يختلف الطرفان أبداً.
خريطة المواضع
يُرجع التوحيد خريطة تربط كل حرف بموضعه الأصلي، وهذا ما يسمح لبحث بحروف مجرّدة أن يظلّل النص الأصلي المُشكَّل تماماً كما يظهر.
اختبار عقد مشترك
اختبار حارس يربط مُوحِّد الواجهة بمُوحِّد الخادم: إذا غيّرت قاعدة في طرف واحد فقط، يفشل الاختبار.

أربعة قرارات تستحق الدفاع عنها

01التعرّف الضوئي عند الحاجة فقطملفات PDF الرقمية تحمل طبقة نصية أدق من أي تعرّف ضوئي وأسرع منه بآلاف المرات. تُفحص كل صفحة أولاً، ولا تُحوَّل إلى صورة وتُقرأ إلا الصفحات الممسوحة فعلاً.
02تخزين مربعات الكلماتيعطي Tesseract إحداثيات كل كلمة مجاناً، وتخزينها هو ما يجعل التظليل ممكناً فوق صورة الصفحة الممسوحة — وبدونها تعمل الميزة الأساسية نصف عمل فقط.
03الإفصاح عمّا لم يُقرأالأختام والتواقيع والخط اليدوي تخرج من محرك التعرّف الضوئي كركام. عرضها كنص يخدع المستخدم ويجعله يثق بها. لذلك يحدّد محلّل التخطيط العناوين والجداول والمناطق غير المقروءة، وتحمل كل صفحة عدداً صريحاً لما لم يمكن الوثوق به.
04حذف منطقي يحرّر المساحة فعلاًتبقى المستندات المحذوفة في سلة المحذوفات طوال فترة الاحتفاظ، ثم تزيل مهمة صيانة الملف وصور صفحاته. صور الصفحات هي أكبر ما يشغل القرص — ودون هذا المسار لم يكن الحذف يحرّر شيئاً.

حدّ صريح: لا يستطيع Tesseract قراءة الخط العربي اليدوي — فنماذجه مدرّبة على النص المطبوع فقط. يحدّد النظام هذه المناطق بدلاً من التظاهر بقراءتها.

قاعدتا بيانات، بالقياس

يعمل ORVIA على PostgreSQL أو SQL Server، ويُبدَّل بينهما بمفتاح إعداد واحد. وبدلاً من الادعاء بأنهما متكافئتان، قستهما على نفس المستندات ونفس الاستعلامات:

PostgreSQL
فهرسة داخل نفس معاملة التعرّف الضوئي، وبحث جزئي مفهرس عبر pg_trgm، وترتيب موزون للحقول، ومتوسط زمن بحث 2ms.
SQL Server
نفس دقة النتائج، لكن مع فهرسة غير متزامنة، ومسح كامل للجدول في البحث الجزئي، وترتيب بمستوى واحد، ومتوسط 19ms — أبطأ بـ 9.5 مرات.

الفرق في الفورية والسرعة، لا في صحة النتائج. وتعرض شاشة الإعدادات قدرات قاعدة البيانات العاملة بوضوح بدلاً من إخفاء هذه المفاضلة.

ما الذي يحتويه النظام

  • المستندات والعارض: عرض بالجدول والشبكة والقائمة؛ تصفية حسب التصنيف والإدارة وحالة التعرّف الضوئي؛ وعارض PDF مع التكبير والتدوير والبحث داخل المستند مع توحيد النص العربي.
  • البحث: بحث داخل المحتوى مع التظليل ورقم الصفحة، وبحث متقدّم، وعمليات بحث محفوظة.
  • معالجة التعرّف الضوئي: طابور مباشر يعرض تقدّم كل مستند، وإعادة المحاولة عند الفشل، وإعادة تعرّف مجدولة للأرشيف كاملاً عند تحسين المعالجة.
  • استبدال الملفات مع الإصدارات: استبدل مسحاً رديئاً مع الحفاظ على رقم المستند وبياناته وسجلّه الزمني — ويبقى الملف القديم قابلاً للتنزيل.
  • المستخدمون والصلاحيات: مصفوفة مفاتيح صلاحيات لكل دور، قابلة للتعديل من الواجهة دون إعادة نشر.
  • التشغيل: نسخ احتياطي مجدول، واستعادة، وتقارير تُصدَّر إلى PDF عربي وExcel، ومركز إشعارات دائم، وسلة محذوفات، وسجل تدقيق.

الاختبارات والأمان

104 اختبار وحدة
توحيد النص العربي وخريطة المواضع، وبناء المقتطفات، وتحليل التخطيط، وثقة التعرّف الضوئي، وحماية مسارات التخزين.
25 اختبار تكامل
تعمل على قاعدة بيانات حقيقية، لأن نصف منطق البحث موجود في SQL — tsvector المحسوب، وترتيب الربط، والرجوع إلى trigram — وهذا ما لا تراه اختبارات الوحدة. وهي تفشل بدلاً من أن تتجاوز بصمت عند تعذّر الوصول لقاعدة البيانات.
36 اختبار للواجهة
بما فيها اختبار العقد المشترك مع مُوحِّد الخادم.
الوضع الأمني
كلمات مرور بـ BCrypt، ورموز تحديث مُجزّأة ومتجدّدة في كوكي HttpOnly، ورمز الوصول في ذاكرة الصفحة بدلاً من localStorage، ومفاتيح صلاحيات بدلاً من أسماء الأدوار، والتحقق من الملفات بتوقيعها الثنائي. ولا تغادر مسارات الملفات الحقيقية الخادم أبداً.

النشر

أمر نشر واحد يُنتج مجلداً واحداً يعمل دون تثبيت أي شيء مسبقاً — لا .NET ولا Node ولا PostgreSQL. يحمل المجلد بيئة تشغيل .NET، والواجهة المبنية تُخدَم من نفس المنفذ، ونسخة محمولة من PostgreSQL تُنشئ قاعدة بياناتها داخل المجلد، ونماذج لغات التعرّف الضوئي. انسخه إلى الجهاز وانقر مرتين.

نماذج اللغات (~42MB) مضمّنة في المستودع عن قصد: فشرط العمل دون إنترنت ينهار إذا احتاجت النسخة الجديدة إلى تنزيل شيء أولاً.

ملاحظة: مستودع ORVIA خاص. تصف هذه الصفحة البنية والقرارات الهندسية وراءه بدلاً من الربط بالكود المصدري.