Cara mengetahui PDF butuh OCR
PDF dari scanner, aplikasi scan di ponsel, atau gateway faks biasanya berisi satu gambar per halaman dan tidak ada yang lain. Tampilannya seperti dokumen, tetapi bagi komputer itu hanyalah foto. Tandanya mudah dikenali:
- Ctrl+F (Cmd+F di Mac) tidak menemukan apa pun, bahkan untuk kata yang jelas terlihat.
- Menyeret mouse memilih seluruh halaman sebagai satu blok, bukan kata per kata.
- Salin-tempel tidak menghasilkan apa-apa, atau pembaca PDF menawarkan untuk "mengenali teks".
- Pencarian dokumen di email, cloud drive, atau arsip Anda tidak pernah menemukan file itu.
OCR memperbaiki keempatnya sekaligus. Kandidat yang umum adalah kontrak bertanda tangan yang sudah melewati scanner, arsip kertas lama, struk dan faktur untuk pembukuan, serta bab buku yang di-scan untuk belajar.
Apa yang dilakukan server pada file Anda
Konversi menjalankan OCRmyPDF dengan mesin pengenalan Tesseract di server kami. Untuk setiap halaman, gambar halaman dirender, kata-katanya dikenali dalam bahasa yang dipilih, lalu ditambahkan kembali sebagai lapisan teks tak terlihat yang ditempatkan persis di atas kata-kata yang sesuai di gambar. Gambarnya sendiri tidak digambar ulang atau diubah, itulah sebabnya hasilnya terlihat persis seperti aslinya.
Beberapa detail yang perlu diketahui:
- Halaman yang sudah berisi teks dilewati, jadi dokumen yang mencampur halaman ketikan dan hasil scan mempertahankan teks aslinya tanpa diubah.
- Optimasi ringan tanpa kehilangan kualitas diterapkan, jadi ukuran file biasanya tetap mendekati aslinya.
- Hasilnya disimpan sebagai PDF/A, varian PDF untuk arsip yang dirancang agar tampil sama hingga puluhan tahun ke depan. Pembaca PDF biasa mana pun bisa membukanya.
- Satu bahasa dipakai per proses. Untuk dokumen yang sebagian besar dalam satu bahasa dengan beberapa nama asing, pilih bahasa utamanya.
Mendapatkan teks yang akurat
Kualitas pengenalan sebagian besar ditentukan sebelum file sampai ke server.
Resolusi
Targetkan 300 dpi saat men-scan dokumen cetak. Pada resolusi itu teks normal 10 hingga 12 poin mudah dikenali. 200 dpi cukup untuk cetakan yang bersih dan lebih besar. Pada 150 dpi atau di bawahnya, huruf kecil menyatu dan kesalahan seperti "rn" terbaca sebagai "m" menjadi sering. Men-scan di atas 400 dpi jarang memperbaiki hasil dan membuat file jauh lebih besar.
Orientasi dan kelurusan
Alat ini tidak memutar atau meluruskan halaman. Halaman yang di-scan miring ke samping atau terbalik menghasilkan teks yang buruk atau kosong. Perbaiki orientasinya dulu dengan Putar PDF. Kemiringan kecil satu atau dua derajat masih bisa ditoleransi, tetapi foto ponsel yang diambil dari sudut miring, dengan halaman melengkung di dekat punggung buku, cepat kehilangan akurasi.
Kontras dan gangguan
Teks hitam di kertas putih adalah yang ideal. Struk termal yang pudar, tulisan pensil, kertas berwarna, stempel tebal di atas teks, dan pola latar semuanya menurunkan akurasi. Tulisan tangan tidak dikenali dengan cara yang berguna.
Dokumen panjang dan batas waktu
Pengenalan butuh beberapa detik per halaman, jadi scan 50 halaman biasanya selesai dalam beberapa menit. Tugas punya batas waktu pemrosesan 15 menit tanpa akun dan 60 menit dengan Premium. Buku berisi beberapa ratus halaman mungkin tidak muat dalam jendela gratis; bagi menjadi beberapa bagian dengan Pisahkan PDF dan proses satu per satu. Jatah hariannya adalah satu proses gratis untuk file hingga 500 MB, atau proses tanpa batas hingga 4 GB dengan Premium.
PDF yang dilindungi kata sandi ditolak, karena halamannya tidak bisa dibaca tanpa kata sandi. Hapus dulu jika Anda memilikinya. File yang diunggah dihapus saat pemrosesan selesai, dan hasilnya kedaluwarsa sekitar satu jam setelah tugas dibuat.
Memeriksa hasilnya
Buka PDF yang sudah bisa dicari dan cari beberapa kata dari halaman yang berbeda, termasuk satu atau dua angka. Kesalahan OCR berkumpul di tempat-tempat yang bisa ditebak:
- Karakter yang mirip: 0 dan O, 1, l, dan I, 5 dan S, terutama pada kode dan nomor rekening.
- Tabel, yang keluar sebagai baris-baris teks, bukan sel.
- Tulisan kecil di footer dan stempel.
Untuk kontrak atau faktur di mana jumlah uang penting, selalu baca angkanya dari gambar, bukan dari teks yang disalin. Jika Anda menginginkan teksnya sendiri, bukan PDF yang bisa dicari, buka hasilnya di PDF ke teks dan alat itu akan mengekstrak lapisan teks hasil pengenalan.