Що таке OCR і Як працює з PDF Файлами?
Підтримайте текстове визнання, його обмеження та при необхідності сканування.
Вступ
Ви коли-небудь спробували копіювати текст з сканованої PDF і виявили, що всі сторінки поводяться як фотографія? Оптичний розпізнавання символів, або OCR, це технологія, яка використовується для розпізнавання видимих символів у зображеннях і перетворення їх у текстову інформацію.
OCR може здійснювати пошук сканованих документів, отримувати дані про вилучення та підтримувати перетворення у редагування форматів. Але визнання не є ідеальним, і вихід повинен перевірятися до його використання для важливих рішень.
Що таке OCR Mean?
OCR для Оптичний розпізнавання символів. Аналізує вміст зображень і визначає літери, цифри, пунктуацію, а також іноді структуру документа. Вхід може бути відсканована сторінка, фотографія або зображення на основі PDF.
OCR відрізняється від простого збереження зображення як PDF. Image-to-PDF конвертер пакетів пікселів в документ; OCR намагається інтерпретувати слова, представлені тими пікселями.
Як працює OCR
1. Підготовка зображень
Програма може виправити обертання, видаляти шум, поліпшити контрастність і визначити межі сторінок. Знімки з прозорим джерелом полегшують розпізнавання.
2. Аналіз макета
Система розміщує регіони, такі як абзаци, заголовки, таблиці та фотографії. Багатокольорові документи та складні форми важче, ніж просто однокамерна сторінка.
3. Характеристика та розпізнавання Word
Визначні моделі інтерпретують видимі форми як символи, так і слова. Мова може допомогти відрізняти неоднозначні послідовності.
4. Будівництво
Залежно від інструмента, OCR може створити звичайний текст, пошуковий PDF з невидимимим текстовим шаром, або Word документ, що містить відновлені абзаци.
5. Верифікація
В результаті необхідно порівняти з джерелом, особливо за обсяги, дати, серійні номери та імен.
OCR проти вилучення тексту
Текстове екстракція зчитуває символи вже присутні в цифровому PDF. OCR намагається розпізнати символи з зображень. Цифровий PDF, як правило, не потребує OCR, якщо його текстове кодування є непристойним або частинами сторінки є на основі зображення.
Які переваги OCR Accuracy?
Рішення: Крихітні або розмиті листи важко розпізнати. 300 DPI є загальним стартовим пунктом для сканування звичайних друкованих документів, не універсальною вимогою.
Контраст і освітлення: тіні, вигнуті чорнила, і шаблонні фони роблять визнання важче.
Спеціалізовані символи Мова та шрифти:, незвичайні функції типу, і кілька сценаріїв можуть знадобитися відповідні моделі мови.
Структура сторінки: Столи, багатокольоровий текст, рукопис і штампи можуть ускладнити порядок читання.
Орієнтація зображення: Skewed або upside-down сторінки повинні бути виправлені до обробки.
Як використовувати OCR на Scanned PDF
- Відкрийте PDF і перевірте, чи вибрано текст.
- Виберіть програмне забезпечення, яке явно підтримує OCR для вашої мови.
- Правильна спрямованість сторінки і поліпшення якості сканування, де можливо.
- Запустіть OCR і виберіть бажаний вихід: пошуканий PDF, текст або редагування документа.
- Пошук декількох умов і копіювання зразків абзаців.
- Перевірити критичні значення на оригінальному зображенні.
- Зберігайте сканування джерела на посилання.
Не кожен конвертер PDF забезпечує OCR; перевірте функцію перед завантаженням файлів.
Де OCR є корисним
OCR допомагає шукати історичні архіви, оцифровувати паперові звіти, витягувати текст з рахунків-фактур, і зробити скановані документи простіше індексувати. Для рахунків-фактур та столів, визнання не гарантує правильного вилучення поля: додатковий аналіз структури та перевірка може бути обов’язковим.
OCR може підтримувати доступність, але не забезпечує належні теги, порядок читання або опис зображень.
Правила OCR Витрати
8 може бути B, і 1 може бути I. Дати можна інтерпретувати неправильно, стовпчики можна прочитати в неправильній послідовності, а таблиці можуть втратити межі клітин. Треат OCR в якості корисного проекту тексту, ніж непередбачувані докази.
Питання та відповіді
Чи можна змінити OCR PDF?
Виготовляється редагування тексту, але збереження оригінального макета може знадобитися додаткове перетворення та очищення.
Чи є OCR так само, як сканування?
Ні. Сканування захоплює зображення; OCR інтерпретує текст у цих зображеннях.
Чи може OCR читати рукопис?
Деякі системи можуть, але результати значно відрізняються від почерку та мови.
Чи працює OCR в автономному режимі?
Так, деякі файли для обробки настільних додатків локально. Інші послуги в Інтернеті.
Чи гарантія OCR 100%?
Ні. Перевірити важливий текст і цифри вручну.
Висновок
OCR містить проміжок між фотографіями тексту та пошуковою інформацією. Це цінний для сканування PDF-файлів, але результати залежать від якості зображення, складності документів та підтримки мови. Перевірити визнаний вміст, а також використовувати PDFreevert для підтримки не-OCR PDF завдань перетворення та організації.