Een gescande PDF bevat vaak afbeeldingen van pagina's in plaats van selecteerbare tekst. Een doorzoekbare PDF bevat een tekstlaag die software kan doorzoeken, selecteren, kopiëren of indexeren. OCR kan herkende tekst toevoegen aan een gescande PDF terwijl de zichtbare paginaafbeelding behouden blijft, maar de herkende woorden kunnen fouten bevatten.
Alleen-afbeelding, native en doorzoekbare gescande PDF's
| Functie | Scannen met alleen afbeeldingen | Native digitale PDF | OCR/doorzoekbare scan |
|---|---|---|---|
| Selecteerbare tekst | Meestal geen. | Meestal beschikbaar wanneer tekst toegankelijk is gecodeerd. | Beschikbaar waar herkende tekst is toegevoegd. |
| Zoeken | Kan de afgebeelde woorden niet als tekst doorzoeken. | Doorzoekt meestal opgeslagen tekst. | Doorzoekt de herkende tekst, inclusief de fouten. |
| Uiterlijk | Een paginaafbeelding. | Tekst, vectoren, afbeeldingen of een combinatie daarvan. | Vaak dezelfde pagina-afbeelding met een verborgen tekstlaag. |
| OCR vereist | Ja, om de afgebeelde woorden te herkennen. | Meestal niet voor leesbare moedertaaltekst. | Al uitgevoerd, maar bij een slecht resultaat kan een nieuwe poging nodig zijn. |
| Herkenningsfouten | Nog geen herkenningslaag. | Geen OCR-fouten in native tekst; extractie kan nog steeds problemen opleveren. | Mogelijk zelfs als de zichtbare scan er correct uitziet. |
Een PDF kan deze typen combineren: een digitaal rapport kan een gescande bijlage bevatten. Probeer te zoeken naar een onderscheidend zichtbaar woord en kopieer een zin van meerdere pagina's. Een mislukte zoekopdracht alleen is geen definitief bewijs van een scan met alleen afbeeldingen; tekstcodering, machtigingen of een slechte OCR-laag kunnen ook interfereren.
Hoe werkt een onzichtbare tekstlaag?
OCR – optische tekenherkenning – schat de tekens op basis van een afbeelding. Een PDF-exporteur kan de herkende woorden onzichtbaar opslaan en de scan zichtbaar laten. Zoeken gebruikt vervolgens die opgeslagen woorden en niet een nieuwe lezing van de pixels. Een goede uitlijning plaatst de verborgen woorden over de overeenkomende afbeeldingslocaties, zodat selectie en markering natuurlijk aanvoelen.
Een scan waarop factuurnummer 1080 zichtbaar is, kan bijvoorbeeld 1O8O in de OCR-laag hebben. Het zoeken naar het juiste nummer kan mislukken, ook al is de paginaafbeelding ongewijzigd. Het kopiëren van het nummer naar een spreadsheet brengt de herkenningsfout met zich mee.
Waarom maakt OCR fouten?
- Bij een lage resolutie gaan karakterdetails verloren; het vergroten van een wazige scan kan de ontbrekende streken niet herstellen.
- Scheefheid, bewegingsonscherpte, schaduwen, ruis en compressieartefacten maken lettervormen moeilijker te scheiden.
- Een ongepaste herkenningstaal kan de verkeerde woorden of tekens opleveren.
- Handschrift en ongebruikelijke lettertypen zijn minder voorspelbaar dan duidelijk gedrukte tekst.
- Kolommen, tabellen, voetnoten en geroteerde labels kunnen de leesvolgorde verwarren, zelfs als afzonderlijke letters worden herkend.
Een doorzoekbare PDF is niet automatisch een goed gestructureerd of toegankelijk document. Het herkennen van woorden leidt niet noodzakelijkerwijs tot de juiste kopjes, tabelrelaties, leesvolgorde of documenttags. OCR reconstrueert ook niet de oorspronkelijke Word-bron.
Wat u kunt verwachten van SoraFiles PDF OCR
De huidige PDF OCR-tool voert herkenning lokaal uit. Het bewaart pagina's met gedetecteerde leesbare oorspronkelijke tekst en herkent gescande pagina's. Het kiezen van de juiste taal en het leveren van een duidelijke, directe scan verbetert de voorwaarden voor herkenning; nauwkeurigheid moet nog worden gecontroleerd.
Deze exportlimieten staan los van de vraag of de OCR-engine de tekst heeft herkend. Een nuttig tekstresultaat kan nog steeds een onvolledige doorzoekbare PDF opleveren. Pagina's met bestaande oorspronkelijke tekst zijn niet op dezelfde manier onderworpen aan die toegevoegde tekstcodering, maar hebben nog steeds een praktische zoek- en kopieercontrole nodig.
Controleer het resultaat voordat u erop vertrouwt
- Zoek verschillende onderscheidende woorden en cijfers van verschillende pagina's.
- Kopieer een alinea naar een teksteditor om de tekens en de leesvolgorde te controleren.
- Vergelijk namen, datums, totalen en identificatiegegevens met de originele afbeelding.
- Controleer pagina's met kolommen, tabellen, handschrift en eventuele taalwijzigingen afzonderlijk.
- Bewaar de originele scan naast het OCR-resultaat, zodat onzekere tekst later kan worden gecontroleerd.
Gebruik voor een duidelijker startbeeld Doc-scanner om de documentopname aan te passen. Als je bewerkbare alinea's nodig hebt, vergelijk dan PDF naar Word met de visuele en bewerkbare conversie-afwegingen voordat u een uitgang kiest.
Referenties
- Adobe: Herken tekst in gescande documenten (External link, opens in a new tab)
- Tesseract: Verbetering van de herkenningskwaliteit (External link, opens in a new tab)
- Tesseract: Veelgestelde vragen (External link, opens in a new tab)
- SoraFiles: PDF OCR