ماذا تفعل أداة تنظيف النص العربي بالضبط؟
النص الذي تنسخه من ملف PDF أو من رسالة واتساب أو من صفحة ويب نادراً ما يكون نظيفاً: تجد فيه مسافات مضاعفة، وفواصل إنجليزية بين كلمات عربية، وتشكيلاً لا تريده، وأسطراً فارغة لا تنتهي، وأحياناً رموزاً خفية لا تراها لكنها تُفسد البحث والترتيب. هذه الأداة تُعالج كل ذلك في مكان واحد، وتُعطيك في الوقت نفسه إحصائيات دقيقة: عدد الكلمات والحروف والجمل، والمدة التي يحتاجها قارئ أو معلّق صوتي لقراءته.
كل المعالجة تحدث داخل متصفحك. لا يُرسل نصك إلى أي خادم، لذا يمكنك تنظيف عقود ومراسلات ونصوص لم تُنشر بعد بلا أي قلق.
لماذا يبدو النص العربي المنسوخ «مكسوراً»؟
هناك ثلاثة أسباب تتكرر في كل مرة تقريباً:
- الترقيم الإنجليزي: لوحات المفاتيح كثيراً ما تُخرج الفاصلة اللاتينية , بدلاً من الفاصلة العربية ،، فتظهر الفاصلة معكوسة الاتجاه وسط الكلام.
- المسافة قبل علامة الترقيم: القاعدة أن علامة الترقيم تلتصق بالكلمة التي قبلها، ويأتي بعدها مسافة واحدة. النسخ من PDF يعكس هذا غالباً.
- الرموز الخفية: محررات النصوص ومواقع الترجمة تُدخل علامات تحكّم في الاتجاه (RLM وLRM) ومسافات صفرية العرض لا تُرى، لكنها تجعل الكلمة تبدو غريبة أو تُفشل البحث عنها.
خيارات التنظيف الأساسي وما يفعله كل منها
| الخيار | ما يحدث | متى تحتاجه |
|---|---|---|
| إزالة التشكيل | يحذف الفتحة والضمة والكسرة والسكون والشدة والتنوين | نصوص المواقع والبحث والعناوين |
| إزالة التطويل | يحذف الكشيدة «ـــ» التي تُمدّ بها الكلمات | النصوص المنسوخة من تصاميم أو مصاحف |
| ضبط المسافات | يجعل كل مسافة مكررة مسافة واحدة، ويحذف ما في بداية ونهاية كل سطر | دائماً |
| ضبط الترقيم | يلصق العلامة بالكلمة ويضع مسافة واحدة بعدها | النسخ من PDF وترجمات جوجل |
| توحيد الحروف الفارسية | يحوّل ی وک الفارسيتين إلى ي وك العربيتين | نصوص من لوحات مفاتيح فارسية أو أردية |
| حذف الرموز الخفية | يزيل ZWJ وZWNJ وعلامات الاتجاه والمسافات الصفرية | نصوص من مواقع ومحررات إلكترونية |
التنظيف المتقدّم: تطبيع النص للبحث والمقارنة
خيارات «توحيد الهمزات» و«ة ← ه» و«ى ← ي» ليست لتحسين شكل النص، بل لتطبيعه. حين تريد مقارنة نصين أو بناء فهرس بحث أو حساب تكرار الكلمات، فإن «أحمد» و«احمد» يجب أن يُعدّا كلمة واحدة. هذه الخيارات تُطبّق ما يُسمّى في المعالجة اللغوية Arabic Normalization، وهي خطوة معيارية في محركات البحث وقواعد البيانات.
تحذير: لا تُفعّل خيارات التطبيع لنص سيُنشر للقراء؛ فهي تُغيّر الإملاء الصحيح عن قصد. استخدمها فقط للبحث والتحليل والمقارنة.
الأرقام المشرقية والأرقام العربية: أيّهما تستخدم؟
ما نُسمّيه «أرقاماً عربية» في المشرق (٠١٢٣) هي الأرقام الهندية أو المشرقية، أما (0123) فهي الأرقام العربية الغربية المستخدمة في المغرب العربي وفي العالم كله. للمواقع الإلكترونية ننصح بالأرقام 0123 لأن محركات البحث تفهمها بلا مشاكل، ويستطيع أي قارئ في أي بلد عربي قراءتها. للمستندات الرسمية في دول الخليج ومصر قد يُطلب منك النمط المشرقي. الأداة تحوّل في الاتجاهين بضغطة.
كيف تحسب الأداة مدة القراءة؟
المدة = عدد الكلمات ÷ سرعة القراءة. أكبر دراسة منشورة قاست سرعة القراءة بـ 17 لغة بنصوص موحّدة (اختبار IReST) وجدت أن متوسط القراءة الجهرية بالعربية 138 كلمة في الدقيقة بانحراف معياري 20 كلمة، مقابل 228 للإنجليزية. الفرق سببه طول الكلمة العربية واتصال حروفها، لا بطء القارئ العربي.
لذلك تعرض الأداة ثلاث سرعات مأخوذة من الدراسة نفسها: 118 (أبطأ من المتوسط)، و138 (المتوسط)، و158 (أسرع من المتوسط). القراءة الجهرية هي الأقرب لحساب مدة التعليق الصوتي أو الإلقاء. أما القراءة الصامتة فأسرع عادةً، لكن لا توجد لها دراسة عربية موحّدة بنفس الدقة، لذا لم نضع لها رقماً.
تطبيق سريع: بسرعة 138 كلمة في الدقيقة، ريل مدته 30 ثانية يحتاج نحو 69 كلمة، وفيديو دقيقة يحتاج نحو 138 كلمة. لضبط المدة بدقة مع الوقفات استخدم أداة تجهيز النص للفويس أوفر.
ماذا تعني «الكلمة المميزة»؟
عدد الكلمات المميزة هو عدد الجذور المختلفة تقريباً بعد إزالة أحرف العطف والجر وأداة التعريف من بداية الكلمة. «الكتاب» و«وكتاب» و«بالكتاب» تُحسب كلمة مميزة واحدة. نسبة الكلمات المميزة إلى الكلمات الكلية مؤشر سريع على تنوّع المفردات: نص فيه 60% كلمات مميزة غني بالمفردات، ونص فيه 30% مكرر ويحتاج مراجعة.
حالات استخدام عملية
- كاتب محتوى: الصق مسوّدة المقال، اعرف عدد كلماتها بدقة، وانظر إلى الكلمات الأكثر تكراراً لتتأكد أن كلمتك المفتاحية موجودة بلا حشو.
- معلّق صوتي: نظّف النص من التشكيل غير المرغوب واحسب مدته قبل الدخول إلى الاستوديو، ثم انتقل إلى أداة تجهيز النص للفويس أوفر لإضافة الوقفات.
- طالب أو باحث: نظّف الاقتباسات المنسوخة من PDF قبل لصقها في البحث، وطبّع النصوص قبل المقارنة.
- مدير متجر: نظّف أوصاف المنتجات المنسوخة من المورّدين من الرموز الخفية التي تُفسد البحث داخل المتجر.
أسئلة شائعة
هل يُرسل النص إلى خادم؟
لا. كل شيء يحدث داخل متصفحك بجافاسكريبت، ولا يغادر نصك جهازك. يمكنك فصل الإنترنت بعد تحميل الصفحة والاستمرار في العمل.
لماذا يختلف عدد الكلمات هنا عن وورد؟
وورد يعدّ أي مقطع بين مسافتين كلمة، حتى لو كان رقماً أو علامة ترقيم منفردة. هذه الأداة تعدّ الكلمات الفعلية فقط (عربية أو لاتينية أو أرقام) وتتجاهل العلامات المنفردة، لذا قد يقلّ رقمها قليلاً وهو الأدق.
هل تحذف الأداة الألف المقصورة أو الهمزات تلقائياً؟
لا، هذه الخيارات معطّلة افتراضياً لأنها تُغيّر الإملاء الصحيح. فعّلها فقط إن كنت تُجهّز نصاً للبحث أو المقارنة وليس للنشر.
ما أفضل إعداد لنص سأنشره على موقعي؟
أبقِ خيارات التنظيف الأساسي كما هي، وحوّل الأرقام إلى 0123، ولا تُفعّل أي خيار من التنظيف المتقدّم. هذا يمنحك نصاً نظيفاً صحيح الإملاء بترقيم عربي سليم.
هل يمكن تنظيف نص طويل جداً مثل كتاب كامل؟
نعم، الأداة تتعامل مع مئات آلاف الكلمات، لكن الإحصاء اللحظي قد يتأخر جزءاً من الثانية على الهواتف الضعيفة مع كل ضغطة. للنصوص الضخمة الصق النص مرة واحدة بدل الكتابة فيه.
المصادر
- The Unicode Standard — Arabic block (U+0600–U+06FF) — رموز الحركات والتطويل
- Trauzettel-Klosinski & Dietz — IReST, Investigative Ophthalmology & Visual Science (PubMed) — القراءة الجهرية بالعربية: 138 ± 20 كلمة في الدقيقة