OCR για PDF και εικόνες: πώς να πάρετε ακριβές κείμενο

Η οπτική αναγνώριση χαρακτήρων διαβάζει τα σχήματα των γραμμάτων σε μια εικόνα ή μια σκαναρισμένη σελίδα και τα μετατρέπει σε πραγματικό, επιλέξιμο κείμενο.

Τι κάνει πραγματικά το OCR

Μια σκαναρισμένη σελίδα, ή μια φωτογραφία ενός εγγράφου, είναι απλά μια εικόνα, ένα πλέγμα εικονοστοιχείων χωρίς καμία αντίληψη γραμμάτων ή λέξεων. Το OCR αναλύει αυτό το πλέγμα, αναγνωρίζει σχήματα χαρακτήρων και παράγει το κείμενο που βρίσκει μαζί με τη θέση κάθε αναγνωρισμένης λέξης στη σελίδα.

Αναζητήσιμο PDF έναντι εξαγόμενου κειμένου

Το OCR PDF προσθέτει ένα αόρατο, αναζητήσιμο επίπεδο κειμένου πάνω από την αρχική εικόνα της σελίδας, οπότε η σελίδα εξακολουθεί να φαίνεται ακριβώς όπως το σκαναρισμένο αντίγραφο, αλλά το κείμενο από κάτω είναι επιλέξιμο και αναζητήσιμο σε κάθε πρόγραμμα προβολής PDF. Το Image to Text αντίθετα εξάγει το αναγνωρισμένο κείμενο μόνο του, χωρίς καμία εικόνα σελίδας να εμπλέκεται, για όταν θέλετε απλά τις λέξεις.

Γλώσσες και αυτόματη ανίχνευση

Η αναγνώριση υποστηρίζει 95 ή περισσότερες γλώσσες. Η γλώσσα μπορεί να ανιχνευθεί αυτόματα σελίδα προς σελίδα, το οποίο είναι βολικό για μικτά έγγραφα, ή μπορείτε να επιλέξετε μία ή περισσότερες γλώσσες χειροκίνητα όταν γνωρίζετε ακριβώς τι περιέχει το έγγραφο. Η χειροκίνητη επιλογή τείνει να είναι πιο ακριβής από την αυτόματη ανίχνευση για σύντομα ή ασυνήθιστα έγγραφα όπου δεν υπάρχει αρκετό κείμενο για αξιόπιστη ανίχνευση γλώσσας.

Συμβουλές ποιότητας σκαναρίσματος

Οι σελίδες διαβάζονται στα 300 dpi, το οποίο αποτελεί καλή βάση για τυπικό τυπωμένο κείμενο. Λίγες συνήθειες κάνουν πραγματική διαφορά στην ακρίβεια:

• Κρατήστε τη σελίδα ευθεία· το λοξό κείμενο μειώνει αισθητά την ακρίβεια αναγνώρισης.
• Χρησιμοποιήστε ομοιόμορφο φωτισμό και αποφύγετε σκιές στη σελίδα, καθώς η χαμηλή αντίθεση μπερδεύει τα σχήματα χαρακτήρων.
• Σκανάρετε στα 300 dpi ή υψηλότερα αντί να βασίζεστε σε μια φωτογραφία κινητού χαμηλής ανάλυσης.
• Ισιώστε τσαλακωμένες ή διπλωμένες σελίδες πριν το σκανάρισμα όπου είναι δυνατόν.

Έγγραφα με μικτές γλώσσες

Για μια σελίδα που εναλλάσσεται μεταξύ δύο ή τριών γλωσσών, επιλέξτε όλες τις σχετικές γλώσσες χειροκίνητα αντί να βασίζεστε στην αυτόματη ανίχνευση, η οποία λειτουργεί ανά σελίδα και μπορεί να χάσει μια γλώσσα που εμφανίζεται μόνο σε ένα μικρό τμήμα αυτής της σελίδας.

Πίνακες και φόρμες

Το OCR αναγνωρίζει το κείμενο μέσα σε κελιά πινάκων και πεδία φορμών, αλλά δεν διατηρεί πάντα τέλεια την αρχική δομή του πλέγματος, ειδικά με λεπτά περιγράμματα ή ασυνήθιστες διατάξεις. Ελέγξτε προσεκτικά τους αριθμητικούς πίνακες, καθώς ένα λάθος αναγνωρισμένο ψηφίο είναι εύκολο να μην το προσέξετε οπτικά.

Περιορισμοί στο χειρόγραφο

Η ακρίβεια αναγνώρισης πέφτει απότομα στο χειρόγραφο, και πέφτει περισσότερο με μικρά γράμματα, διακοσμητικές γραμματοσειρές, χαμηλή αντίθεση και λοξές σελίδες. Τα καθαρά, τυπωμένα κεφαλαία γράμματα αποδίδουν καλύτερα από τη συνδεδεμένη γραφή, αλλά κανένα εργαλείο OCR εδώ δεν αποτελεί αξιόπιστη αντικατάσταση μιας ανθρώπινης απομαγνητοφώνησης χειρόγραφων σημειώσεων.

Έλεγχος αποτελεσμάτων

Ελέγχετε πάντα δειγματοληπτικά την έξοδο του OCR σε σχέση με το πρωτότυπο, ιδιαίτερα αριθμούς, ονόματα και οποιοδήποτε κείμενο σε μικρή γραμματοσειρά. Μια γρήγορη ανάγνωση μιας μετατροπής σελίδας εντοπίζει τα περισσότερα σφάλματα αναγνώρισης πριν προκαλέσουν πρόβλημα παρακάτω.

Επιλογή του κατάλληλου εργαλείου

Χρησιμοποιήστε το OCR PDF όταν το τελικό αρχείο πρέπει να συνεχίσει να φαίνεται όπως το αρχικό σκαναρισμένο έγγραφο, αλλά να γίνει αναζητήσιμο. Χρησιμοποιήστε το Image to Text όταν χρειάζεστε μόνο τις αναγνωρισμένες λέξεις, χωρίς εικόνα σελίδας. Χρησιμοποιήστε το Scan to Markdown όταν το σκαναρισμένο έγγραφο έχει δομή, επικεφαλίδες, λίστες ή πίνακες, που αξίζει να διατηρηθούν ως Markdown, όπως περιγράφεται στον PDF to Markdown guide. Χρησιμοποιήστε το PDF to Word όταν ο τελικός στόχος είναι ένα επεξεργάσιμο έγγραφο και όχι απλό κείμενο. Όποιο εργαλείο και να επιλέξετε, μια γρήγορη χειροκίνητη επισκόπηση της πρώτης σελίδας σε σχέση με την έξοδο παραμένει ο ταχύτερος τρόπος για να επιβεβαιώσετε ότι οι ρυθμίσεις που επιλέξατε ήταν οι σωστές για αυτό συγκεκριμένο έγγραφο.