Taranan bir PDF genellikle seçilebilir metin yerine sayfaların resimlerini içerir. Aranabilir bir PDF, yazılımın arayabileceği, seçebileceği, kopyalayabileceği veya dizine ekleyebileceği bir metin katmanı içerir. OCR, görünür sayfa görüntüsünü korurken, taranan PDF'ye tanınan metni ekleyebilir, ancak tanınan sözcüklerde hatalar bulunabilir.
Yalnızca görsel, yerel ve aranabilir taranmış PDF'ler
| Özellik | Yalnızca görüntü taraması | Yerel dijital PDF | OCR/aranabilir tarama |
|---|---|---|---|
| Seçilebilir metin | Genellikle hiçbiri. | Genellikle metin erişilebilir şekilde kodlandığında kullanılabilir. | Tanınan metnin eklendiği yerde kullanılabilir. |
| Ara | Resimdeki kelimeler metin olarak aranamıyor. | Genellikle depolanan metni arar. | Tanınan metni, hataları da dahil olmak üzere arar. |
| Görünüm | Bir sayfa resmi. | Metin, vektörler, resimler veya bunların bir karışımı. | Genellikle gizli bir metin katmanına sahip aynı sayfa görüntüsü. |
| OCR gerekli | Evet, resimdeki kelimeleri tanımak için. | Genellikle okunabilir yerel metinler için uygun değildir. | Zaten gerçekleştirildi, ancak kötü bir sonuç başka bir denemeyi gerektirebilir. |
| Tanıma hataları | Henüz tanıma katmanı yok. | Yerel metinde OCR hatası yok; çıkarma hala sorun yaratabilir. | Görünür tarama doğru görünse bile mümkündür. |
Bir PDF bu türleri karıştırabilir: dijital bir rapor taranmış bir ek içerebilir. Ayırt edici görünür bir kelimeyi aramayı ve birkaç sayfadan bir cümleyi kopyalamayı deneyin. Başarısız bir arama tek başına salt görüntü taramasının kesin kanıtı değildir; metin kodlaması, izinler veya zayıf OCR katmanı da müdahale edebilir.
Görünmez bir metin katmanı nasıl çalışır?
OCR (optik karakter tanıma) bir görüntüdeki karakterleri tahmin eder. Bir PDF dışa aktarıcı, taramayı görünür halde bırakırken tanınan sözcükleri görünmez bir şekilde saklayabilir. Arama daha sonra piksellerin yeni okunmasını değil, depolanan kelimeleri kullanır. İyi bir hizalama, gizli kelimeleri eşleşen resim konumlarının üzerine yerleştirir, böylece seçim ve vurgulama doğal görünür.
Örneğin, fatura numarası 1080'i gözle görülür şekilde gösteren bir taramanın OCR katmanında 1O8O bulunabilir. Sayfa görüntüsü değişmese bile doğru numarayı aramak başarısız olabilir. Numaranın bir e-tabloya kopyalanması, tanıma hatasını da beraberinde getirir.
OCR neden hata yapıyor?
- Düşük çözünürlük karakter ayrıntılarını kaybeder; bulanık bir taramayı büyütmek eksik vuruşları kurtaramaz.
- Eğrilik, hareket bulanıklığı, gölgeler, gürültü ve sıkıştırma kusurları harf şekillerinin ayrılmasını zorlaştırır.
- Uygun olmayan bir tanıma dili, yanlış sözcükleri veya karakterleri üretebilir.
- El yazısı ve olağandışı yazı tipleri, net basılı metinlere göre daha az tahmin edilebilir.
- Sütunlar, tablolar, dipnotlar ve döndürülmüş etiketler, tek tek harfler tanınsa bile okuma sırasını karıştırabilir.
Aranabilir bir PDF, otomatik olarak iyi yapılandırılmış veya erişilebilir bir belge değildir. Kelimeleri tanımak mutlaka uygun başlıklar, tablo ilişkileri, okuma sırası veya belge etiketleri oluşturmaz. OCR ayrıca orijinal Word kaynağını yeniden oluşturmaz.
SoraFiles PDF OCR'dan neler beklenebilir?
mevcut PDF OCR aracı tanımayı yerel olarak çalıştırır. Algılanan okunabilir yerel metin içeren sayfaları tutar ve taranan sayfaları tanır. Uygun dilin seçilmesi ve net, düz bir taramanın sağlanması, tanınma koşullarını iyileştirir; doğruluğunun hala kontrol edilmesi gerekiyor.
Bu dışa aktarma sınırları, OCR motorunun metni tanıyıp tanımamasından farklıdır. Yararlı bir metin sonucu yine de tamamlanmamış, aranabilir bir PDF üretebilir. Mevcut yerel metin içeren sayfalar, aynı şekilde eklenen metin kodlamasına tabi değildir ancak yine de pratik bir arama ve kopyalama kontrolüne ihtiyaçları vardır.
Güvenmeden önce sonucu kontrol edin
- Farklı sayfalardan birkaç farklı kelime ve sayıyı arayın.
- Karakterleri ve okuma sırasını incelemek için bir paragrafı düz metin düzenleyicisine kopyalayın.
- Adları, tarihleri, toplamları ve tanımlayıcıları orijinal görselle karşılaştırın.
- Sütunları, tabloları, el yazısını ve dil değişikliklerini içeren sayfaları ayrı ayrı kontrol edin.
- Belirsiz metnin daha sonra kontrol edilebilmesi için orijinal taramayı OCR sonucunun yanında tutun.
Daha net bir başlangıç görüntüsü için şunu kullanın: Belge Tarayıcı Belge yakalamayı ayarlamak için. Düzenlenebilir paragraflara ihtiyacınız varsa karşılaştırın PDF'den Word'e ile görsel ve düzenlenebilir dönüşüm değişimleri Bir çıktı seçmeden önce.
Referanslar
- Adobe: Taranmış belgelerdeki metni tanıma (External link, opens in a new tab)
- Tesseract: Tanıma kalitesini artırma (External link, opens in a new tab)
- Tesseract: Sıkça sorulan sorular (External link, opens in a new tab)
- Sora Dosyaları: PDF OCR