Un PDF scansionato contiene spesso immagini di pagine anziché testo selezionabile. Un PDF ricercabile contiene un livello di testo che il software può cercare, selezionare, copiare o indicizzare. L'OCR può aggiungere testo riconosciuto a un PDF scansionato preservando l'immagine della pagina visibile, ma le parole riconosciute potrebbero contenere errori.
PDF scansionati di sole immagini, nativi e ricercabili
| Caratteristica | Scansione di sole immagini | PDF digitale nativo | Scansione OCR/ricercabile |
|---|---|---|---|
| Testo selezionabile | Di solito nessuno. | Solitamente disponibile quando il testo è codificato in modo accessibile. | Disponibile dove è stato aggiunto il testo riconosciuto. |
| Cerca | Impossibile cercare le parole nell'immagine come testo. | Di solito cerca il testo memorizzato. | Cerca il testo riconosciuto, compresi i relativi errori. |
| Aspetto | Un'immagine di pagina. | Testo, vettori, immagini o una combinazione. | Spesso la stessa immagine della pagina con un livello di testo nascosto. |
| OCR richiesto | Sì, per riconoscere le parole raffigurate. | Di solito non per testo nativo leggibile. | Già eseguito, anche se un risultato scarso potrebbe richiedere un altro tentativo. |
| Errori di riconoscimento | Nessun livello di riconoscimento ancora. | Nessun errore OCR nel testo nativo; l'estrazione può ancora avere problemi. | Possibile anche quando la scansione visibile sembra corretta. |
Un PDF può mescolare questi tipi: un rapporto digitale può includere un'appendice scansionata. Prova a cercare una parola visibile e distintiva e a copiare una frase da più pagine. Una ricerca fallita da sola non è la prova definitiva di una scansione di sole immagini; Anche la codifica del testo, le autorizzazioni o un livello OCR scadente possono interferire.
Come funziona un livello di testo invisibile?
L'OCR (riconoscimento ottico dei caratteri) stima i caratteri di un'immagine. Un esportatore PDF può memorizzare le parole riconosciute in modo invisibile lasciando visibile la scansione. La ricerca utilizza quindi le parole memorizzate e non una nuova lettura dei pixel. Un buon allineamento posiziona le parole nascoste nelle posizioni delle immagini corrispondenti in modo che la selezione e l'evidenziazione risultino naturali.
Ad esempio, una scansione che mostra visibilmente la fattura numero 1080 potrebbe avere 1O8O nel suo livello OCR. La ricerca del numero corretto può non riuscire anche se l'immagine della pagina è invariata. Copiare il numero in un foglio di calcolo porta con sé l'errore di riconoscimento.
Perché l'OCR commette errori?
- La bassa risoluzione perde i dettagli dei personaggi; l'ingrandimento di una scansione sfocata non può recuperare i tratti mancanti.
- Distorsione, motion blur, ombre, rumore e artefatti di compressione rendono più difficile separare le forme delle lettere.
- Una lingua di riconoscimento inappropriata può produrre parole o caratteri errati.
- La grafia e i caratteri insoliti sono meno prevedibili del testo stampato chiaro.
- Colonne, tabelle, note a piè di pagina ed etichette ruotate possono confondere l'ordine di lettura anche quando vengono riconosciute le singole lettere.
Un PDF ricercabile non è automaticamente un documento ben strutturato o accessibile. Il riconoscimento delle parole non crea necessariamente intestazioni, relazioni tra tabelle, ordine di lettura o tag di documenti corretti. Inoltre, l'OCR non ricrea l'origine Word originale.
Cosa aspettarsi da SoraFiles PDF OCR
La corrente Strumento PDF OCR esegue il riconoscimento localmente. Mantiene le pagine con testo nativo leggibile rilevato e riconosce le pagine scansionate. Scegliere la lingua appropriata e fornire una scansione chiara e diretta migliora le condizioni per il riconoscimento; la precisione deve ancora essere verificata.
Questi limiti di esportazione sono separati dal riconoscimento o meno del testo da parte del motore OCR. Un risultato testuale utile può comunque produrre un PDF ricercabile incompleto. Le pagine con testo nativo esistente non sono soggette allo stesso modo alla codifica del testo aggiunto, ma necessitano comunque di una ricerca pratica e di un controllo della copia.
Controllare il risultato prima di fare affidamento su di esso
- Cerca diverse parole e numeri distintivi da pagine diverse.
- Copia un paragrafo in un editor di testo semplice per controllare i caratteri e l'ordine di lettura.
- Confronta nomi, date, totali e identificatori con l'immagine originale.
- Controlla separatamente le pagine con colonne, tabelle, grafia ed eventuali modifiche alla lingua.
- Conserva la scansione originale insieme al risultato dell'OCR in modo che il testo incerto possa essere controllato in seguito.
Per un'immagine iniziale più chiara, utilizzare Scanner di documenti per regolare l'acquisizione del documento. Se hai bisogno di paragrafi modificabili, confronta Da PDF a Word con il compromessi di conversione visivi e modificabili prima di scegliere un'uscita.
Riferimenti
- Adobe: riconosce il testo nei documenti scansionati (External link, opens in a new tab)
- Tesseract: miglioramento della qualità del riconoscimento (External link, opens in a new tab)
- Tesseract: domande frequenti (External link, opens in a new tab)
- SoraFiles: PDF OCR