Làm sao biết một PDF cần OCR
Một tệp PDF từ máy scan, ứng dụng scan trên điện thoại hay cổng fax thường chỉ chứa mỗi trang một bức ảnh và không gì khác. Nó trông như một tài liệu, nhưng với máy tính đó là một tấm ảnh. Dấu hiệu rất dễ nhận ra:
- Ctrl+F (Cmd+F trên Mac) không tìm thấy gì, ngay cả với một từ bạn nhìn thấy rõ ràng.
- Kéo chuột chọn cả trang thành một khối thay vì từng từ.
- Sao chép rồi dán không ra gì, hoặc trình đọc đề nghị "nhận dạng văn bản".
- Chức năng tìm tài liệu trong email, ổ đĩa đám mây hay kho lưu trữ không bao giờ tìm thấy tệp.
OCR khắc phục cả bốn điều cùng lúc. Những ứng viên điển hình là hợp đồng đã ký được đưa qua máy scan, kho giấy tờ cũ, hóa đơn và chứng từ cho kế toán, và các chương sách được scan để học.
Máy chủ làm gì với tệp của bạn
Việc chuyển đổi chạy OCRmyPDF với bộ máy nhận dạng Tesseract trên máy chủ của chúng tôi. Với mỗi trang, nó dựng ảnh của trang, nhận dạng các từ theo ngôn ngữ đã chọn, và thêm chúng trở lại dưới dạng một lớp văn bản vô hình đặt chính xác lên trên các từ tương ứng trong ảnh. Bản thân ảnh không bị vẽ lại hay thay đổi, đó là lý do kết quả trông giống hệt bản gốc.
Vài chi tiết đáng biết:
- Các trang đã có văn bản được bỏ qua, nên một tài liệu trộn lẫn trang đánh máy và trang scan giữ nguyên văn bản gốc.
- Một bước tối ưu nhẹ, không mất dữ liệu được áp dụng, nên dung lượng tệp thường gần bằng bản gốc.
- Đầu ra được lưu dưới dạng PDF/A, biến thể lưu trữ của PDF được thiết kế để hiển thị giống hệt nhau cả nhiều thập kỷ sau. Mọi trình đọc PDF thông thường đều mở được.
- Mỗi lượt chạy dùng một ngôn ngữ. Với tài liệu chủ yếu bằng một ngôn ngữ kèm vài tên nước ngoài, hãy chọn ngôn ngữ chính trong Ngôn ngữ tài liệu.
Có được văn bản chính xác
Chất lượng nhận dạng phần lớn được quyết định trước khi tệp đến máy chủ.
Độ phân giải
Hãy nhắm đến 300 dpi khi scan tài liệu in. Ở độ phân giải đó, chữ 10 đến 12 point bình thường được nhận dạng dễ dàng. 200 dpi đủ cho chữ in sạch, cỡ lớn hơn. Ở 150 dpi trở xuống, các chữ nhỏ dính vào nhau và lỗi như "rn" bị đọc thành "m" trở nên thường xuyên. Scan cao hơn 400 dpi hiếm khi cải thiện kết quả mà làm tệp lớn hơn nhiều.
Hướng trang và độ thẳng
Công cụ này không xoay hay làm thẳng trang. Một trang scan nằm nghiêng hoặc lộn ngược cho văn bản kém hoặc trống rỗng. Hãy sửa hướng trước bằng xoay PDF. Độ nghiêng nhẹ một hai độ vẫn chấp nhận được, nhưng ảnh điện thoại chụp xiên góc, với trang giấy cong gần gáy sách, sẽ mất độ chính xác rất nhanh.
Độ tương phản và chi tiết thừa
Chữ đen trên giấy trắng là lý tưởng. Hóa đơn giấy nhiệt đã phai, bút chì, giấy màu, con dấu đậm đè lên chữ và họa tiết nền đều làm giảm độ chính xác. Chữ viết tay không được nhận dạng ở mức hữu ích.
Tài liệu dài và giới hạn thời gian
Nhận dạng mất vài giây cho mỗi trang, nên một bản scan 50 trang thường xong trong vài phút. Tác vụ có giới hạn thời gian xử lý 15 phút khi không có tài khoản và 60 phút với Premium. Một cuốn sách vài trăm trang có thể không vừa khung thời gian miễn phí; hãy chia nó thành nhiều phần bằng tách PDF và xử lý từng phần. Hạn mức hằng ngày là một lượt miễn phí cho tệp đến 500 MB, hoặc không giới hạn số lượt cho tệp đến 4 GB với Premium.
PDF có mật khẩu bị từ chối, vì không thể đọc các trang khi không có mật khẩu. Hãy gỡ mật khẩu trước nếu bạn có nó. Tệp tải lên bị xóa khi xử lý xong, và kết quả hết hạn khoảng một giờ sau khi tác vụ được tạo.
Kiểm tra kết quả
Mở tệp PDF đã tìm kiếm được và tìm vài từ ở các trang khác nhau, kể cả một hai con số. Lỗi OCR tập trung ở những chỗ có thể đoán trước:
- Ký tự trông giống nhau: 0 và O, 1, l và I, 5 và S, nhất là trong mã số và số tài khoản.
- Bảng, vốn ra thành các dòng văn bản thay vì ô.
- Chữ nhỏ ở chân trang và con dấu.
Với hợp đồng hoặc hóa đơn mà số tiền là quan trọng, hãy luôn đọc con số từ ảnh, không phải từ văn bản đã sao chép. Nếu bạn muốn lấy chính văn bản thay vì một PDF tìm kiếm được, hãy mở kết quả trong trích xuất văn bản từ PDF và công cụ sẽ trích xuất lớp văn bản đã nhận dạng.