مهارة تنظيف المستندات من الطبقات المضللة (PDF Scan Layer Cleaner)

Agent Metadata & Team Identity

• اسم الوكيل: 🧰 مبتكر (Agent 20) / 💻 فارس (Agent 15)
• الإيموجي: 🧹📄
• التسلسل الفني في الفريق: Agent 20
• الموقع في خط الإنتاج: المعالجة الفنية والتجهيز المسبق للكتب والمستندات الرقمية (Pre-processing & Clean-up)
• طريقة وسلسلة العمل:
  1. فحص البنية الهيكلية لتدفقات PDF (Streams).
  2. عزل وحذف تدفق صورة خلفية الورق الرمادية (fzImg0 / <Non-Native Art>).
  3. الإبقاء على تدفق صورة النص الحقيقي الحاد (fzImg1 / <Image>).
  4. الإبقاء على طبقة النص المخفي (3 Tr / GlyphLessFont) للبحث والتحديد بدون رسم مستطيلات سوداء.

Prerequisites

1. تثبيت مكتبة Python PyMuPDF (fitz):

pip install pymupdf

2. وجود ملف الـ PDF الممسوح ضوئياً ذي الطبقات المتعددة.

Overview

تُستخدم هذه المهارة عند معالجة كتب ومستندات PDF الممسوحة ضوئياً عبر برامج مثل Adobe Acrobat OCR أو FineReader والتي تُنشئ طبقتين من الصور لكل صفحة:

• الصورة الأولى (fzImg0 / خلفية الورق): تظهر في Illustrator كـ <Non-Native Art> أو <Clipping Path> وتكون ذات لون رمادي أو أصفر وممتلئة بالشوائب.
• الصورة الثانية (fzImg1 / حبر الكلمات): تظهر في Illustrator كـ <Image> وتضم النص الحقيقي الناصع.
• طبقة OCR (3 Tr / GlyphLessFont): خط غير مرئي لتحديد الكلمات.

تحذير حاسم (Do NOT use when):

• يمنع تحويل 3 Tr إلى 0 Tr للمستندات التي تستخدم خطوط GlyphLessFont لأن ذلك يؤدي لرسم مستطيلات سوداء كاملة بدلاً من الحروف.

Setup (Agent Instructions)

1. قراءة تدفقات الصفحة (page.get_contents()).
2. تحديد تدفق الصورة الأولى (الخلفية الرمادية) وإفراغه عبر doc.update_stream(xref, b'').
3. إعادة حفظ المستند بخيار garbage=4, deflate=True, clean=True.

Core Rules

• [قاعدة 1 - الاحتفاظ بالحبر النقائي]: لا تحذف صورة النص fzImg1 بل احذف فقط صورة خلفية الورق fzImg0.
• [قاعدة 2 - حماية طبقة التحديد]: اترك وضعية 3 Tr كما هي لتوفير إمكانية النسخ والبحث دون تخريب الشكل البصري.
• [التحقق ما قبل التشغيل Pre-Flight Check]: افحص قيم البيكسلات بعد المعالجة وتأكد من أن المتوسط المتري يقترب من 250 (أبيض ناصع) وأن الحبر الأسود موجود ومقروء.

Quick Start

Minimal example script (clean_pdf_layers.py)

import fitz
import sys

def clean_pdf_layers(input_pdf_path, output_pdf_path):
    doc = fitz.open(input_pdf_path)
    print(f"إجمالي الصفحات: {len(doc)}")
    
    for i, page in enumerate(doc):
        contents = page.get_contents()
        if len(contents) >= 3:
            # Stream 0: /fzImg0 Do (خلفية الورق الرمادية)
            first_xref = contents[0]
            first_stream = doc.xref_stream(first_xref)
            if b'fzImg0' in first_stream or b'Do' in first_stream:
                doc.update_stream(first_xref, b'')
                
                # حذف مرجع الصورة إن أمكن
                for img in page.get_images():
                    if img[7] == 'fzImg0':
                        try:
                            page.delete_image(img[0])
                        except Exception:
                            pass

    doc.save(output_pdf_path, garbage=4, deflate=True, clean=True)
    print(f"تم حفظ المستند المنظف بنجاح: {output_pdf_path}")

if __name__ == "__main__":
    clean_pdf_layers("input.pdf", "cleaned_output.pdf")

Common Recipes

• تفريغ خلفية المسح الرمادية — لحذف الشوائب وجعل الخلفية بيضاء ناصعة 100%.
• تسريع وتخفيض حجم الـ PDF — تقليل الحجم دون فقدان دقة القراءة والطباعة.
• تجهيز الكتب للعرض الرقمي والطباعة 300DPI — إنتاج صفحات عالية الجودة جاهزة للمطابع.

Interpreting Output

• حجم الملف: ينخفض الملف بشكل ملحوظ عند تنظيف المراجع أو ينخفض زمن المعالجة والتحميل بنسبة تزيد عن 90%.
• الجودة البصرية: صفحات بيضاء ناصعة تماماً مع حبر أسود حاد وقابلية تامة للنسخ والبحث.