ملف PDF الممسوح ضوئيًا وملف PDF القابل للبحث: ما الفرق؟

غالبًا ما يحتوي ملف PDF الممسوح ضوئيًا على صور للصفحات بدلاً من النص القابل للتحديد. يحتوي ملف PDF القابل للبحث على طبقة نصية يمكن للبرنامج البحث فيها أو تحديدها أو نسخها أو فهرستها. يمكن أن يقوم OCR بإضافة نص تم التعرف عليه إلى ملف PDF ممسوح ضوئيًا مع الحفاظ على صورة الصفحة المرئية، ولكن الكلمات التي تم التعرف عليها قد تحتوي على أخطاء.

ملفات PDF ممسوحة ضوئيًا للصور فقط، أصلية، وقابلة للبحث

كيف تختلف الأنواع الثلاثة لملفات PDF
ميزة	مسح الصور فقط	PDF الرقمي الأصلي	التعرف الضوئي على الحروف/المسح الضوئي القابل للبحث
نص قابل للتحديد	عادة لا شيء.	يتوفر عادة عندما يتم ترميز النص بشكل يسهل الوصول إليه.	متاح حيث تمت إضافة النص الذي تم التعرف عليه.
بحث	لا يمكن البحث عن الكلمات المصورة كنص.	عادة ما يبحث عن النص المخزن.	يبحث في النص الذي تم التعرف عليه، بما في ذلك أخطائه.
المظهر	صورة الصفحة.	نص أو ناقلات أو صور أو خليط.	غالبًا ما تكون نفس صورة الصفحة مع طبقة نص مخفية.
التعرف الضوئي على الحروف مطلوب	نعم، للتعرف على الكلمات المصورة.	عادة ليس للنص الأصلي القابل للقراءة.	تم تنفيذه بالفعل، على الرغم من أن النتيجة السيئة قد تحتاج إلى محاولة أخرى.
أخطاء الاعتراف	لا توجد طبقة التعرف حتى الآن.	لا توجد أخطاء في التعرف الضوئي على الحروف في النص الأصلي؛ لا يزال من الممكن أن يواجه الاستخراج مشكلات.	ممكن حتى عندما يبدو الفحص المرئي صحيحًا.

يمكن أن يمزج ملف PDF بين هذه الأنواع: قد يتضمن التقرير الرقمي ملحقًا ممسوحًا ضوئيًا. حاول البحث عن كلمة مرئية مميزة ونسخ جملة من عدة صفحات. لا يعد البحث الفاشل وحده دليلاً قاطعًا على إجراء فحص للصورة فقط؛ يمكن أيضًا أن يتداخل ترميز النص أو الأذونات أو طبقة التعرف الضوئي على الحروف الضعيفة.

كيف تعمل طبقة النص غير المرئية؟

يقوم OCR - التعرف البصري على الأحرف - بتقدير الأحرف من الصورة. يمكن لمصدر PDF تخزين الكلمات التي تم التعرف عليها بشكل غير مرئي مع ترك المسح الضوئي مرئيًا. يستخدم البحث بعد ذلك تلك الكلمات المخزنة، وليس قراءة جديدة لوحدات البكسل. تعمل المحاذاة الجيدة على وضع الكلمات المخفية فوق مواقع الصور المطابقة لها، لذا يبدو التحديد والتمييز أمرًا طبيعيًا.

على سبيل المثال، قد تحتوي عملية المسح الضوئي التي تظهر رقم الفاتورة 1080 بشكل واضح على 1O8O في طبقة التعرف الضوئي على الحروف الخاصة بها. قد يفشل البحث عن الرقم الصحيح على الرغم من عدم تغيير صورة الصفحة. نسخ الرقم في جدول بيانات يحمل معه خطأ التعرف.

لماذا يرتكب التعرف الضوئي على الحروف أخطاء؟

الدقة المنخفضة تفقد تفاصيل الشخصية؛ لا يمكن أن يؤدي توسيع الفحص الضبابي إلى استعادة الحدود المفقودة.
إن الانحراف، وطمس الحركة، والظلال، والضوضاء، ومؤثرات الضغط تجعل من الصعب فصل أشكال الحروف.
يمكن أن تنتج لغة التعرف غير المناسبة كلمات أو أحرف خاطئة.
تعد الكتابة اليدوية والخطوط غير العادية أقل قابلية للتنبؤ بها من النص المطبوع الواضح.
يمكن أن تؤدي الأعمدة والجداول والحواشي السفلية والتسميات التي تم تدويرها إلى إرباك ترتيب القراءة حتى عند التعرف على الحروف الفردية.

لا يعد ملف PDF القابل للبحث تلقائيًا مستندًا جيد التنظيم أو يمكن الوصول إليه. لا يؤدي التعرف على الكلمات بالضرورة إلى إنشاء عناوين مناسبة أو علاقات جدول أو ترتيب قراءة أو علامات مستند. لا يقوم OCR أيضًا بإعادة إنشاء مصدر Word الأصلي.

ما يمكن توقعه من SoraFiles PDF OCR

الحالي أداة التعرف الضوئي على الحروف لملفات PDF يدير الاعتراف محليا. فهو يحتفظ بالصفحات التي تحتوي على نص أصلي قابل للقراءة ويتعرف على الصفحات الممسوحة ضوئيًا. إن اختيار اللغة المناسبة وتوفير مسح واضح ومباشر يحسن شروط التعرف؛ الدقة لا تزال بحاجة إلى التحقق.

حدود التصدير هذه منفصلة عما إذا كان محرك التعرف الضوئي على الحروف قد تعرف على النص أم لا. لا يزال من الممكن أن تنتج نتيجة النص المفيدة ملف PDF غير كامل قابل للبحث. لا تخضع الصفحات التي تحتوي على نص أصلي موجود لترميز النص الإضافي بنفس الطريقة، ولكنها لا تزال بحاجة إلى البحث العملي والتحقق من النسخ.

تأكد من النتيجة قبل الاعتماد عليها

البحث عن عدة كلمات وأرقام مميزة من صفحات مختلفة.
انسخ فقرة إلى محرر نص عادي لفحص الأحرف وترتيب القراءة.
قارن الأسماء والتواريخ والإجماليات والمعرفات بالصورة الأصلية.
تحقق من الصفحات التي تحتوي على الأعمدة والجداول والكتابة اليدوية وأي تغييرات في اللغة بشكل منفصل.
احتفظ بالنسخة الأصلية الممسوحة ضوئيًا إلى جانب نتيجة التعرف الضوئي على الحروف حتى يمكن التحقق من النص غير المؤكد لاحقًا.

للحصول على صورة بداية أكثر وضوحًا، استخدم وثيقة الماسح الضوئي لضبط التقاط المستند. إذا كنت بحاجة إلى فقرات قابلة للتحرير، قارن قوات الدفاع الشعبي إلى كلمة مع مقايضات التحويل المرئية والقابلة للتحرير قبل اختيار الإخراج.

المراجع

استخدم PDF OCR