Jak poznać, że PDF potrzebuje OCR
PDF ze skanera, aplikacji do skanowania na telefonie lub bramki faksowej zwykle zawiera jeden obraz na stronę i nic poza nim. Wygląda jak dokument, ale dla komputera jest fotografią. Objawy łatwo zauważyć:
- Ctrl+F (Cmd+F na Macu) niczego nie znajduje, nawet słowa, które wyraźnie widać.
- Przeciąganie myszą zaznacza całą stronę jako blok zamiast pojedynczych słów.
- Kopiowanie i wklejanie nic nie daje albo przeglądarka PDF proponuje „rozpoznanie tekstu”.
- Wyszukiwanie w poczcie, na dysku w chmurze czy w archiwum nigdy nie znajduje tego pliku.
OCR naprawia wszystkie cztery problemy naraz. Typowi kandydaci to podpisane umowy, które przeszły przez skaner, stare archiwa papierowe, paragony i faktury do księgowości oraz rozdziały książek zeskanowane do nauki.
Co serwer robi z Twoim plikiem
Konwersja uruchamia OCRmyPDF z silnikiem rozpoznawania Tesseract na naszym serwerze. Dla każdej strony renderuje obraz strony, rozpoznaje słowa w wybranym języku i dodaje je z powrotem jako niewidoczną warstwę tekstu, umieszczoną precyzyjnie nad odpowiadającymi im słowami na obrazie. Sam obraz nie jest rysowany od nowa ani zmieniany, dlatego wynik wygląda dokładnie tak jak oryginał.
Kilka szczegółów, które warto znać:
- Strony, które już zawierają tekst, są pomijane, więc dokument łączący strony pisane i skanowane zachowuje oryginalny tekst nietknięty.
- Stosowana jest lekka, bezstratna optymalizacja, więc rozmiar pliku zwykle pozostaje zbliżony do oryginału.
- Wynik jest zapisywany jako PDF/A, archiwalny wariant PDF zaprojektowany tak, by wyświetlał się tak samo za kilkadziesiąt lat. Otworzy go każda zwykła przeglądarka PDF.
- W jednym przebiegu używany jest jeden język. Dla dokumentu w większości w jednym języku z kilkoma obcymi nazwami wybierz język główny w polu „Język dokumentu”.
Jak uzyskać dokładny tekst
O jakości rozpoznawania decyduje głównie to, co dzieje się, zanim plik trafi na serwer.
Rozdzielczość
Przy skanowaniu drukowanych dokumentów celuj w 300 dpi. W tej rozdzielczości zwykły tekst 10–12 punktów jest łatwo rozpoznawany. 200 dpi wystarczy dla czystego, większego druku. Przy 150 dpi lub mniej małe litery zlewają się i błędy, takie jak odczytanie „rn” jako „m”, stają się częste. Skanowanie powyżej 400 dpi rzadko poprawia wyniki, a znacznie powiększa plik.
Orientacja i wyprostowanie
To narzędzie nie obraca ani nie prostuje stron. Strona zeskanowana bokiem lub do góry nogami daje słaby lub pusty tekst. Najpierw popraw orientację narzędziem obróć PDF. Lekkie przechylenie o stopień czy dwa jest tolerowane, ale zdjęcie z telefonu zrobione pod kątem, ze stroną wyginającą się przy grzbiecie książki, szybko traci dokładność.
Kontrast i zakłócenia
Czarny tekst na białym papierze to ideał. Wyblakłe paragony termiczne, ołówek, kolorowy papier, mocne pieczątki na tekście i wzory w tle obniżają dokładność. Pismo odręczne nie jest rozpoznawane w użyteczny sposób.
Długie dokumenty i limity czasu
Rozpoznawanie trwa kilka sekund na stronę, więc 50-stronicowy skan zwykle kończy się w kilka minut. Zadania mają limit czasu przetwarzania: 15 minut bez konta i 60 minut w Premium. Książka licząca kilkaset stron może nie zmieścić się w darmowym oknie; podziel ją na części narzędziem podziel PDF i przetwarzaj je po kolei. Dzienny przydział to jedno darmowe uruchomienie dla plików do 500 MB albo nielimitowane uruchomienia do 4 GB w Premium.
PDF-y chronione hasłem są odrzucane, bo bez hasła nie da się odczytać stron. Jeśli znasz hasło, najpierw je usuń. Przesłany plik jest usuwany po zakończeniu przetwarzania, a wynik wygasa około godziny po utworzeniu zadania.
Sprawdzanie wyniku
Otwórz przeszukiwalny PDF i wyszukaj kilka słów z różnych stron, w tym liczbę czy dwie. Błędy OCR skupiają się w przewidywalnych miejscach:
- Podobne znaki: 0 i O, 1, l i I, 5 i S, zwłaszcza w kodach i numerach kont.
- Tabele, które wychodzą jako linie tekstu, a nie komórki.
- Drobny druk w stopkach i pieczątkach.
W umowach czy fakturach, w których liczy się kwota, zawsze odczytuj liczbę z obrazu, a nie ze skopiowanego tekstu. Jeśli chcesz samego tekstu, a nie przeszukiwalnego PDF, otwórz wynik w narzędziu wyodrębnij tekst z PDF, które wyodrębni rozpoznaną warstwę.