დასკანირებული PDF ტექსტი ვერ შეირჩევა - როგორ გამოვასწოროთ OCR-ის გამოყენებით

რატომ ვერ შეარჩევთ ტექსტს დასკანირებულ PDF-ში?

როცა დოკუმენტი ფიზიკურად სკანდება და ინახება PDF-ად, სკანერი გვერდის ბრტყელ სურათს იღებს - ისე, როგორც ფოტოს გადაღება. მიღებული ფაილი შეიცავს არანაირ რეალურ ტექსტის სიმბოლოებს, მხოლოდ პიქსელებს, რომლებიც ასოების მსგავსად არის განლაგებული. ამიტომ, სადმე დოკუმენტში დაჭერა არ ირჩევს არაფერს: კურსორისთვის არ არსებობს ტექსტის ფენა.

ეს PDF-ის ერთ-ერთი ყველაზე გავრცელებული პრობლემაა. დოკუმენტი ეკრანზე სრულყოფილად წასაკითხია, მაგრამ არსებითად ეს ფოტოა, PDF-ის გარსში ჩასმული. არ შეიძლება მოძიება, კოპირება, ან ეკრანის წამკითხველის ანალიზი.

რა არის OCR და როგორ ასწორებს?

OCR (Optical Character Recognition) არის ტექნოლოგია, რომელიც ტექსტის სურათს აანალიზებს და გარდაქმნის მანქანის მიერ წასაკითხ სიმბოლოებად. პროგრამა ასოების ფორმებს იხილავს, ცნობილ შაბლონებთან ადარებს და გამოაქვს ტექსტის ფენა, რომელიც PDF-ში ბრუნდება.

OCR-ის დამუშავების შემდეგ, იღებთ საძიებელ, შეირჩეულ PDF-ს - ვიზუალურად იდენტურს ორიგინალთან, მაგრამ ახლა კურსორს შეუძლია სიტყვების მონიშვნა, Ctrl+F-ს შეუძლია ფრაზების ძიება და ასლი-ჩასმა ნორმალურად მუშაობს. ეკრანის წამკითხველებსა და ხელმისაწვდომობის ინსტრუმენტებსაც შეუძლიათ წაკითხვა.

როგორ გამოვიყენოთ OCR დასკანირებულ PDF-ზე

დასკანირებულ PDF-ზე OCR-ის დასამატებლად არსებობს რამდენიმე გზა, უფასო ბრაუზერის ინსტრუმენტებიდან სამაგიდო პროგრამულ უზრუნველყოფამდე:

• Word-ად გარდაქმენით, შემდეგ შეინახეთ PDF-ად: ჩვენი PDF-ის Word-ად გარდამქმნელი ვიზუალურ შინაარსს ამოიღებს და გარდაქმნის რედაქტირებად Word დოკუმენტად. Word-ში მოხვედრისთანავე ტექსტი სრულად შეირჩევა. შემდეგ შეიძლება ხელახლა ექსპორტი გაკეთდეს PDF-ად სათანადო ტექსტის ფენით.
• Adobe Acrobat (ფასიანი): ინდუსტრიის სტანდარტული ინსტრუმენტი. გახსენით PDF, გადადით Tools → Scan & OCR → Recognize Text, Acrobat პირდაპირ ამატებს ტექსტის ფენას. ძვირია, მაგრამ ძალიან ზუსტი.
• Google Drive (უფასო): ატვირთეთ დასკანირებული PDF Google Drive-ზე, დააწკაპეთ მაუსის მარჯვენა ღილაკით და აირჩიეთ "Open with Google Docs." Google ავტომატურად ახორციელებს OCR-ს და ტექსტს Docs დოკუმენტში ხსნის. სუფთა სკანებისთვის შესანიშნავად მუშაობს.
• Tesseract OCR (უფასო, ღია კოდი): ბრძანების ხაზის ძლიერი OCR ძრავი, გამოყენებული მრავალი აპლიკაციის მიერ. საუკეთესოა დეველოპერებისთვის ან ტექნიკური მომხმარებლებისთვის, ვისაც სურს უფასო, თვითმავალი გადაწყვეტა.
• Adobe Acrobat ონლაინ (შეზღუდული უფასო): Adobe შეზღუდულ უფასო OCR დამუშავებას სთავაზობს გამოწერის გარეშე მომხმარებლებს მათი ონლაინ ინსტრუმენტების საშუალებით.

OCR-ის სიზუსტის გასაუმჯობესებლად რჩევები

OCR-ის ხარისხი დიდად არის დამოკიდებული ორიგინალი სკანის ხარისხზე. სიზუსტის გასამდიდრებლად გამოიყენეთ ეს რჩევები:

• დასკანეთ 300 DPI-ზე ან მეტზე: დაბალი გარჩევადობის სკანები ბუნდოვან სიმბოლოებს ქმნის, რომლებსაც OCR ძრავები შეცდომით კითხულობენ. 300 DPI მინიმუმია; 600 DPI იდეალურია პატარა ტექსტისთვის ან დეტალიანი დოკუმენტებისთვის.
• ტექსტური დოკუმენტებისთვის გამოიყენეთ შავ-თეთრი: ფერადი სკანები ფაილის ზომას ზრდის, OCR-ის სიზუსტე ტექსტისთვის კი არ იმატებს. შავ-თეთრი ან ნაცრისფერი ტონი საკმარისია ბოლ დოკუმენტებისთვის.
• გვერდები სწორად შეინარჩუნეთ: დახრილი ან გადახრილი გვერდები OCR პროგრამას დაბნეობს. თანამედროვე ინსტრუმენტების უმეტესობას შეუძლია ავტომატური გასწორება, მაგრამ სწორად დაწყება ეხმარება.
• ყავის ლაქები და დაბინძურება არ დაუშვათ: დოკუმენტზე ფიზიკური ნიშნები სიმბოლოებად შეცდომით იკითხება. შესაძლებლობის შემთხვევაში გაწმინდეთ ორიგინალი.
• გამოსვლა შეამოწმეთ: OCR 100% ზუსტი არ არის. ყოველთვის გადაამოწმეთ შედეგი, განსაკუთრებით ციფრებისთვის, პუნქტუაციისთვის და ხელნაწერი სექციებისთვის.

OCR-ის შემდეგ: საჭიროებისამებრ შეამცირეთ ფაილის ზომა

OCR-ის დამუშავება ზოგჯერ PDF-ის ფაილის ზომას ზრდის, რადგან ამატებს დამალულ ტექსტის ფენას არსებული სურათის ფენის თავზე. თუ მიღებული ფაილი ძალიან დიდია, გამოიყენეთ ჩვენი PDF კომპრესორი ვიზუალური ხარისხის დაკარგვის გარეშე ზომის შესამცირებლად.

რა გავაკეთოთ, თუ OCR ტექსტს სწორად ვერ ცნობს?

OCR-ის სიზუსტე დამოკიდებულია ორიგინალი სკანის ხარისხზე. ცუდი შედეგები გავრცელებულია: ძალიან პატარა შრიფტებით (8pt-ზე ქვემოთ), ხელნაწერი ტექსტით, დეკორატიული ან უჩვეულო შრიფტებით, გამოფერილი მელნით ან 200 DPI-ზე ქვემოთ დაბალი ხარისხის სკანებით. ამ შემთხვევებში, ხელით გადაბეჭდვა შეიძლება საჭირო გახდეს - ან ორიგინალი დოკუმენტის ხელახლა სკანირება მაღალი ხარისხით OCR-ის ხელახლა გაშვებამდე.