Kas ir OCR un kā tas darbojas ar PDF failiem?
Saprast teksta atzīšanu, tās ierobežojumi, un, kad skenēšana ir nepieciešama.
Ievads
Vai esat kādreiz mēģinājuši kopēt tekstu no skenēta PDF un atklājuši, ka visa lapa uzvedas kā fotogrāfija? Optiskā rakstzīmju atpazīšana jeb OCR ir tehnoloģija, ko izmanto, lai atpazītu attēlu redzamās rakstzīmes un pārvērstu tās teksta informācijā.
OCR var padarīt skenētos dokumentus pārmeklējamus, palīdzēt iegūt datus un atbalstīt pārveidošanu rediģējamos formātos. Bet atzīšana nav perfekta, un rezultāti jāpārbauda, pirms to izmanto svarīgiem lēmumiem.
Ko nozīmē OCR?
OCR nozīmē Optiskā rakstzīmju atpazīšana. Tas analizē attēla saturu un identificē burtus, ciparus, pieturzīmes un dažreiz arī dokumentu struktūru. Ievads var būt skenēta lapa, fotogrāfija vai uz attēliem balstīta PDF.
OCR atšķiras no vienkāršas attēla saglabāšanas kā PDF. Image-to-PDF pārveido pakešu pikseļus dokumentā; OCR mēģina interpretēt vārdus, ko attēlo šie pikseļi.
Kā OCR darbojas
1. Attēlu sagatavošana
Programmatūra var labot rotāciju, noņemt troksni, uzlabot kontrastu, un noteikt lapas robežas. Skaidri avota attēli atvieglo atpazīšanu.
2. Izkārtojuma analīze
Sistēmā ir izvietoti tādi reģioni kā rindkopas, virsraksti, tabulas un attēli. Vairāku kolonnu dokumenti un sarežģītās veidlapas ir grūtāk nekā vienkāršas vienas kolonnas lapa.
3. Rakstzīme un Word atzīšana
Atzīšanas modeļi redzamās formas interpretē kā rakstzīmes un vārdus. Valodas informācija var palīdzēt atšķirt neskaidras secības.
4. Izvades uzbūve
Atkarībā no rīka OCR var izveidot vienkāršu tekstu, pārmeklējamu PDF ar neredzamu teksta slāni vai Word dokumentu, kurā ir rekonstruēti rindkopas.
5. Pārbaude
Rezultāts jāsalīdzina ar avotu, jo īpaši attiecībā uz daudzumiem, datumiem, sērijas numuriem un nosaukumiem.
OCR vs Teksta ekstrakcija
Teksta izvilkšana nolasa rakstzīmes, kas jau ir ciparu PDF. OCR mēģina atpazīt rakstzīmes no attēliem. Ciparu PDF parasti nav nepieciešams OCR, ja vien tā teksta kodējums nav neizmantojams vai lapas daļas ir balstītas uz attēlu.
Kas ietekmē OCR precizitāti?
Izšķirtspēja Mazi vai izplūduši burti ir grūti atpazīstami. 300 DPI ir izplatīts sākuma punkts parasto drukāto dokumentu skenēšanai, nevis universāla prasība.
Kontrasts un apgaismojums: Ēnas, izbalējis tintes, un raksta fona padara atzīšanu grūtāk.
Valoda un fonti: Specializētiem simboliem, neparastiem burtveidoliem un vairākiem skriptiem var būt nepieciešami piemēroti valodas modeļi.
Lapas struktūra: Tabulas, daudzkolonnu teksts, rokraksts un spiedogi var sarežģīt lasīšanas kārtību.
Attēla orientācija: Pirms apstrādes jālabo sašķiebtās vai augšupvērstās lapas.
Kā lietot OCR uz skenētas PDF
- Atveriet PDF un pārbaudiet, vai teksts ir izvēlējams.
- Izvēlieties programmatūru, kas skaidri atbalsta OCR jūsu valodai.
- Pareiza lapas orientācija un uzlabot skenēšanas kvalitāti, ja iespējams.
- Palaist OCR un izvēlieties vēlamo izvadu: pārmeklējams PDF, teksts, vai rediģējams dokuments.
- Meklēt vairākus noteikumus un kopēt paraugu punktus.
- Pārbaudīt kritiskās vērtības attiecībā pret sākotnējo attēlu.
- Avota skenēšanu saglabāt kā atsauci.
Ne katrs tiešsaistes PDF pārveidotājs nodrošina OCR; pirms failu augšupielādēšanas pārbaudiet funkciju.
Kur OCR ir noderīgs
OCR palīdz meklēt vēsturiskos arhīvus, digitalizēt papīra ziņojumus, iegūt tekstu no rēķiniem, un padarīt skenētos dokumentus vieglāk indeksēt. Rēķinos un tabulās atzīšana vien negarantē pareizu lauka ieguvi: var būt nepieciešama papildu struktūras analīze un apstiprināšana.
OCR var atbalstīt pieejamību, bet tikai pārmeklējams teksta slānis nenodrošina pareizu tagu, lasīšanas kārtību vai attēlu aprakstus.
Kopējās OCR kļūdas
Atzīts 8 faktiski var būt B, un 1 var būt I. Datumus var interpretēt nepareizi, kolonnas var nolasīt nepareizā secībā, un tabulas var zaudēt šūnu robežas. Uzskatīt OCR par noderīgu teksta projektu, nevis neapstrīdamu pierādījumu.
Bieži uzdotie jautājumi
Vai OCR padara PDF rediģējamu?
Tā var radīt rediģējamu tekstu, bet saglabājot sākotnējo izkārtojumu var būt nepieciešama papildu konversija un tīrīšana.
Vai OCR ir tāds pats kā skenēšana?
Nē. Skenē attēlus; OCR interpretē tekstu šajos attēlos.
Vai OCR var lasīt rokrakstu?
Dažas sistēmas var, bet rezultāti ievērojami atšķiras ar rokrakstu un valodu.
Vai OCR darbojas bezsaistē?
Jā, dažas darbvirsmas programmas apstrādā failus lokāli. Citi izmanto tiešsaistes pakalpojumus.
Vai OCR garantē 100% precizitāti?
Nē. Ar roku pārbaudiet svarīgu tekstu un numurus.
Secinājums
OCR aizpilda plaisu starp teksta attēliem un meklējamu informāciju. Tas ir vērtīgs skenētiem PDF, bet rezultāti ir atkarīgi no attēla kvalitāti, dokumentu sarežģītību, un valodas atbalstu. Pārbaudīt atzītu saturu, un izmantot PDFreevert atbalstītajiem ne-OCR PDF konversijas un organizācijas uzdevumiem.