Zeskanowany plik PDF często zawiera obrazy stron, a nie tekst do zaznaczenia. Plik PDF z możliwością przeszukiwania zawiera warstwę tekstową, którą oprogramowanie może przeszukiwać, zaznaczać, kopiować lub indeksować. OCR może dodać rozpoznany tekst do zeskanowanego pliku PDF, zachowując widoczny obraz strony, ale rozpoznane słowa mogą zawierać błędy.
Zeskanowane pliki PDF zawierające wyłącznie obrazy, natywne i z możliwością przeszukiwania
| Funkcja | Skanowanie tylko obrazu | Natywny cyfrowy plik PDF | Skanowanie OCR/z możliwością wyszukiwania |
|---|---|---|---|
| Tekst do wyboru | Zwykle żaden. | Zwykle dostępne, gdy tekst jest zakodowany w przystępny sposób. | Dostępne, jeśli dodano rozpoznany tekst. |
| Szukaj | Nie można przeszukać słów na obrazku jako tekstu. | Zwykle przeszukuje zapisany tekst. | Przeszukuje rozpoznany tekst, łącznie z błędami. |
| Wygląd | Obraz strony. | Tekst, wektory, obrazy lub mieszanka. | Często ten sam obraz strony z ukrytą warstwą tekstową. |
| Wymagany OCR | Tak, aby rozpoznać pokazane słowa. | Zwykle nie dla czytelnego tekstu natywnego. | Już wykonano, chociaż słaby wynik może wymagać kolejnej próby. |
| Błędy rozpoznawania | Nie ma jeszcze warstwy rozpoznawania. | Brak błędów OCR w tekście natywnym; ekstrakcja może nadal powodować problemy. | Możliwe nawet wtedy, gdy widoczny skan wygląda prawidłowo. |
Plik PDF może mieszać te typy: raport cyfrowy może zawierać zeskanowany dodatek. Spróbuj wyszukać charakterystyczne widoczne słowo i skopiować zdanie z kilku stron. Samo nieudane wyszukiwanie nie jest ostatecznym dowodem skanu zawierającego wyłącznie obraz; kodowanie tekstu, uprawnienia lub słaba warstwa OCR również mogą zakłócać działanie.
Jak działa niewidoczna warstwa tekstowa?
OCR — optyczne rozpoznawanie znaków — szacuje znaki na obrazie. Eksporter plików PDF może przechowywać rozpoznane słowa w sposób niewidoczny, pozostawiając widoczny skan. Następnie wyszukiwanie wykorzystuje zapisane słowa, a nie nowy odczyt pikseli. Dobre wyrównanie powoduje umieszczenie ukrytych słów w odpowiadających im lokalizacjach obrazu, dzięki czemu zaznaczanie i wyróżnianie wydaje się naturalne.
Na przykład skan wyraźnie pokazujący numer faktury 1080 może mieć 1O8O w warstwie OCR. Wyszukiwanie prawidłowego numeru może zakończyć się niepowodzeniem, nawet jeśli obraz strony pozostaje niezmieniony. Kopiowanie numeru do arkusza kalkulacyjnego niesie ze sobą błąd rozpoznania.
Dlaczego OCR popełnia błędy?
- Niska rozdzielczość powoduje utratę szczegółów postaci; powiększenie rozmytego skanu nie może przywrócić brakujących kresek.
- Pochylenie, rozmycie ruchu, cienie, szum i artefakty kompresji sprawiają, że kształty liter są trudniejsze do oddzielenia.
- Nieodpowiedni język rozpoznawania może spowodować powstanie niewłaściwych słów lub znaków.
- Pismo odręczne i nietypowe czcionki są mniej przewidywalne niż czysty tekst drukowany.
- Kolumny, tabele, przypisy i obrócone etykiety mogą mylić kolejność czytania, nawet jeśli rozpoznane zostaną poszczególne litery.
Plik PDF z możliwością przeszukiwania nie jest automatycznie dokumentem o dobrej strukturze i dostępności. Rozpoznawanie słów niekoniecznie tworzy odpowiednie nagłówki, relacje między tabelami, kolejność czytania lub znaczniki dokumentu. OCR również nie odtwarza oryginalnego źródła Worda.
Czego można się spodziewać po SoraFiles PDF OCR
Prąd Narzędzie OCR PDF uruchamia rozpoznawanie lokalnie. Zachowuje strony z wykrytym czytelnym tekstem natywnym i rozpoznaje zeskanowane strony. Wybór odpowiedniego języka i dostarczenie jasnego, prostego skanu poprawia warunki uznania; dokładność wymaga jeszcze sprawdzenia.
Te limity eksportu są niezależne od tego, czy silnik OCR rozpoznał tekst. Przydatny wynik tekstowy może jednak skutkować niekompletnym plikiem PDF z możliwością przeszukiwania. Strony z istniejącym tekstem natywnym nie podlegają kodowaniu dodanego tekstu w ten sam sposób, ale nadal wymagają praktycznego sprawdzenia wyszukiwania i kopiowania.
Sprawdź wynik, zanim na nim polegasz
- Wyszukaj kilka charakterystycznych słów i liczb na różnych stronach.
- Skopiuj akapit do edytora zwykłego tekstu, aby sprawdzić znaki i kolejność czytania.
- Porównaj nazwiska, daty, sumy i identyfikatory z oryginalnym obrazem.
- Sprawdź osobno strony z kolumnami, tabelami, pismem odręcznym i wszelkimi zmianami językowymi.
- Zachowaj oryginalny skan wraz z wynikiem OCR, aby później móc sprawdzić niepewny tekst.
Aby uzyskać wyraźniejszy obraz początkowy, użyj Skaner dokumentów aby dostosować przechwytywanie dokumentu. Jeśli potrzebujesz edytowalnych akapitów, porównaj PDF do Worda z wizualne i edytowalne kompromisy w zakresie konwersji przed wyborem wyjścia.
Referencje
- Adobe: Rozpoznawanie tekstu w zeskanowanych dokumentach (External link, opens in a new tab)
- Tesseract: poprawa jakości rozpoznawania (External link, opens in a new tab)
- Tesseract: Często zadawane pytania (External link, opens in a new tab)
- SoraFiles: PDF OCR