Отсканированный PDF-файл и PDF-файл с возможностью поиска: в чем разница?

Отсканированный PDF-файл часто содержит изображения страниц, а не текст, который можно выделить. PDF-файл с возможностью поиска содержит текстовый слой, который программное обеспечение может искать, выбирать, копировать или индексировать. OCR может добавить распознанный текст в отсканированный PDF-файл, сохраняя при этом видимое изображение страницы, но распознанные слова могут содержать ошибки.

Отсканированные PDF-файлы только с изображениями, в собственном коде и с возможностью поиска.

Чем отличаются три типа PDF
Особенность	Сканирование только изображений	Собственный цифровой PDF-файл	OCR/сканирование с возможностью поиска
Выбираемый текст	Обычно нет.	Обычно доступен, когда текст доступен для кодирования.	Доступно там, где был добавлен распознанный текст.
Поиск	Невозможно найти слова с изображениями в виде текста.	Обычно ищет сохраненный текст.	Ищет распознанный текст, включая его ошибки.
Внешний вид	Изображение страницы.	Текст, векторы, изображения или смесь.	Часто одно и то же изображение страницы со скрытым текстовым слоем.
Требуется распознавание текста	Да, распознавать слова на картинках.	Обычно не для читаемого собственного текста.	Уже выполнено, хотя при плохом результате может потребоваться еще одна попытка.
Ошибки распознавания	Слоя распознавания пока нет.	Отсутствие ошибок оптического распознавания текста в исходном тексте; при извлечении все еще могут возникнуть проблемы.	Возможно, даже если видимый скан выглядит правильно.

PDF-файл может сочетать эти типы: цифровой отчет может включать отсканированное приложение. Попробуйте найти отличительное видимое слово и скопировать предложение с нескольких страниц. Сам по себе неудачный поиск не является окончательным доказательством сканирования только изображения; кодировка текста, разрешения или плохой уровень распознавания также могут мешать.

Как работает невидимый текстовый слой?

OCR — оптическое распознавание символов — оценивает символы на изображении. Программа экспорта PDF может незаметно сохранять распознанные слова, оставляя отсканированные изображения видимыми. Затем поиск использует эти сохраненные слова, а не новое считывание пикселей. Хорошее выравнивание помещает скрытые слова в соответствующие места на изображении, поэтому выделение и выделение кажутся естественными.

Например, скан, на котором явно виден номер счета-фактуры 1080, может иметь 1O8O в слое OCR. Поиск правильного номера может оказаться неудачным, даже если изображение страницы не изменилось. Копирование числа в электронную таблицу влечет за собой ошибку распознавания.

Почему OCR допускает ошибки?

При низком разрешении теряется детализация персонажей; увеличение размытого сканирования не может восстановить недостающие штрихи.
Перекос, размытие в движении, тени, шум и артефакты сжатия затрудняют разделение форм букв.
Неподходящий язык распознавания может создавать неправильные слова или символы.
Почерк и необычные шрифты менее предсказуемы, чем четкий печатный текст.
Столбцы, таблицы, сноски и повернутые метки могут сбить с толку порядок чтения, даже если отдельные буквы распознаются.

PDF-файл с возможностью поиска автоматически не является хорошо структурированным или доступным документом. Распознавание слов не обязательно приводит к созданию правильных заголовков, связей между таблицами, порядка чтения или тегов документа. OCR также не воссоздает исходный источник Word.

Чего ожидать от SoraFiles PDF OCR

Текущий Инструмент распознавания PDF-файлов выполняет распознавание локально. Он сохраняет страницы с обнаруженным читаемым собственным текстом и распознает отсканированные страницы. Выбор подходящего языка и обеспечение четкого и прямого сканирования улучшают условия распознавания; точность еще нуждается в проверке.

Эти ограничения экспорта не зависят от того, распознал ли текст механизм OCR. Полезный текстовый результат все равно может создать неполный PDF-файл с возможностью поиска. Страницы с существующим собственным текстом не подвергаются такому же кодированию добавленного текста, но они все равно нуждаются в практическом поиске и проверке копирования.

Проверьте результат, прежде чем полагаться на него

Найдите несколько отличительных слов и цифр на разных страницах.
Скопируйте абзац в текстовый редактор, чтобы проверить символы и порядок чтения.
Сравните имена, даты, итоговые значения и идентификаторы с исходным изображением.
Отдельно проверяйте страницы со столбцами, таблицами, почерком и изменениями языка.
Сохраняйте исходное сканирование вместе с результатом оптического распознавания символов, чтобы позже можно было проверить неопределенный текст.

Для более четкого начального изображения используйте Сканер документов настроить захват документа. Если вам нужны редактируемые абзацы, сравните PDF в Word с визуальные и редактируемые компромиссы по конверсии перед выбором выхода.

Ссылки

Используйте PDF-распознавание текста