Mis on OCR ja kuidas see töötab PDF failidega?

Sissejuhatus

Kas olete kunagi proovinud kopeerida teksti skaneeritud PDF-st ja avastanud, et kogu leht käitub nagu foto? Optiline märgituvastus ehk OCR on tehnoloogia, mida kasutatakse kujutistes nähtavate märkide äratundmiseks ja nende tekstiteabeks muutmiseks.

OCR võib muuta skannitud dokumendid otsitavaks, aidata andmeid välja võtta ja toetada muundamist redigeeritavatesse vormingutesse. Kuid tunnustus ei ole täiuslik ja väljundit tuleks kontrollida enne, kui seda kasutatakse oluliste otsuste tegemiseks.

Mida OCR tähendab?

OCR tähistab Optilise märgi äratundmine. See analüüsib pildi sisu ja tuvastab tähed, numbrid, kirjavahemärgid ja mõnikord dokumendi struktuuri. Sisend võib olla skannitud leht, foto või pildipõhine PDF.

OCR erineb lihtsalt pildi salvestamisest kui PDF. Pilt-to-PDF teisenduspaketid pikslid dokumendiks; OCR püüab tõlgendada nende pikslitega esindatud sõnu.

Kuidas OCR toimib

1. Pildi ettevalmistamine

Tarkvara võib korrigeerida pöörlemist, eemaldada müra, parandada kontrasti ja tuvastada lehekülje piire. Selged lähtepildid muudavad äratundmise lihtsamaks.

2. Paigutusanalüüs

Süsteem leiab piirkonnad, nagu lõigud, pealkirjad, tabelid ja pildid. Mitmeveerulised dokumendid ja keerulised vormid on raskemad kui lihtne üheveeruline lehekülg.

3. Märk ja Word tuvastamine

Tuvastamismudelid tõlgendavad nähtavaid kujundeid kui märke ja sõnu. Keeleinfo võib aidata eristada mitmetähenduslikke järjestusi.

4. Väljundi ehitus

Sõltuvalt tööriistast võib OCR luua lihtsa teksti, nähtamatu tekstikihiga otsitava PDF või rekonstrueeritud lõike sisaldava Word dokumendi.

5. Kontrollimine

Tulemust tuleks võrrelda allikaga, eriti summade, kuupäevade, seerianumbrite ja nimede puhul.

OCR vs teksti eraldamine

Teksti väljavõte loeb märke, mis on juba olemas digitaalses PDF-s. OCR püüab ära tunda tegelasi piltidelt. Digitaalne PDF ei vaja üldjuhul OCR-i, välja arvatud juhul, kui selle teksti kodeerimine on kasutamiskõlbmatu või lehe osad on pildipõhised.

Mis mõjutab OCR täpsust?

Resolutsioon: Väikesed või hägused tähed on raske ära tunda. 300 DPI on tavaline lähtepunkt tavaliste trükitud dokumentide skaneerimiseks, mitte universaalne nõue.

Kontrast ja valgustus: Varjud, tuhmunud tint ja mustriga taustad muudavad äratundmise raskemaks.

Keel ja fondid: Spetsiaalsed sümbolid, ebatavalised kirjatüübid ja mitu skripti võivad vajada sobivaid keelemudeleid.

Lehekülje struktuur: Tabelid, mitme veeru tekst, käekiri ja templid võivad lugemisjärjekorda raskendada.

Pildi orientatsioon: Skewed või tagurpidi leheküljed tuleb enne töötlemist parandada.

Kuidas kasutada OCR skannitud PDF

1. Avage PDF ja testige, kas tekst on valitav.
2. Valige tarkvara, mis selgesõnaliselt toetab OCR teie keele jaoks.
3. Parandage lehe orientatsiooni ja parandage võimaluse korral skaneerimise kvaliteeti.
4. Käivitage OCR ja valige soovitud väljund: otsitav PDF, tekst või redigeeritav dokument.
5. Otsige mitu terminit ja kopeerige näidislõike.
6. Kontrollige kriitilisi väärtusi originaalpildi suhtes.
7. Hoidke allika skaneering viiteks alles.

Mitte iga PDF konverter ei paku OCR; enne failide üleslaadimist kontrollige funktsiooni.

Kui OCR on kasulik

OCR aitab otsida ajalooarhiive, digiteerida paberaruandeid, väljavõtteid arvetest ja muuta skannitud dokumendid hõlpsamaks indekseerimiseks. Arvete ja tabelite puhul ei taga ainuüksi äratundmine õiget väljavõtmist: vaja võib olla täiendavat struktuurianalüüsi ja valideerimist.

OCR võib toetada juurdepääsetavust, kuid otsitav tekstikiht üksi ei paku õigeid silte, lugemise järjekorda ega piltide kirjeldusi.

Üldised OCR vead

Tunnustatud 8 võib tegelikult olla B ja 1 võib olla I. Kuupäevi saab tõlgendada valesti, veerge saab lugeda vales järjestuses ja tabelid võivad kaotada lahtri piirid. Käsitle OCR-i kui kasulikku teksti eelnõu, mitte vaieldamatut tõendusmaterjali.

Korduma kippuvad küsimused

Kas OCR muudab PDF redigeeritavaks?

See võib toota redigeeritavat teksti, kuid originaalpaigutuse säilitamine võib nõuda täiendavat teisendamist ja puhastamist.

Kas OCR on sama, mis skaneerimine?

Ei. Skaneerimine haarab pilte; OCR tõlgendab teksti nendes piltides.

Kas OCR võib lugeda käekirja?

Mõned süsteemid võivad, kuid tulemused varieeruvad oluliselt käekirja ja keelega.

Kas OCR töötab offline?

Jah, mõned töölauarakendused töötlevad faile lokaalselt. Teised kasutavad veebiteenuseid.

Kas OCR tagab 100% täpsuse?

Ei. Kontrollige olulist teksti ja numbreid käsitsi.

Järeldus

OCR ühendab teksti piltide ja otsitava teabe vahelise lõhe. See on väärtuslik skaneeritud PDF-failide jaoks, kuid tulemused sõltuvad pildi kvaliteedist, dokumendi keerukusest ja keeletoest. Kontrollige tunnustatud sisu ja kasutage PDFreevert-i toetatud mitte-OCR PDF teisendamise ja organiseerimise ülesannete jaoks.