អត្ថបទ PDF ដែលស្កែនមិនអាចជ្រើសរើសបាន - របៀបជួសជុលដោយ OCR

ហេតុអ្វីបានជាមិនអាចជ្រើសរើសអត្ថបទក្នុង PDF ដែលស្កែន?

នៅពេលឯកសារត្រូវបានស្កែនដោយផ្ទាល់ហើយរក្សាទុកជា PDF ម៉ាស៊ីនស្កែនចាប់យករូបភាពស្រទូចនៃទំព័រ - ដូចជាការថតរូប។ ឯកសារដែលទទួលបានមិនមានតួអក្សរអត្ថបទពិតប្រាកដទេ មានតែ pixels ដែលរៀបចំដូចជាអក្សរ។ នោះហើយជាមូលហេតុដែលការចុចនៅទីណាក៏ដោយក្នុងឯកសារមិនជ្រើសរើសអ្វីទាំងអស់: មិនមានស្រទាប់អត្ថបទសម្រាប់ cursor ចាប់។

នេះជាបញ្ហា PDF ទូទៅបំផុតមួយ។ ឯកសារមើលទៅអាចអានបានយ៉ាងល្អឥតខ្ចោះនៅលើអេក្រង់ ប៉ុន្តែជាចម្បងវាជារូបថតដែលបំបែកក្នុង PDF wrapper។ អ្នកមិនអាចស្វែងរក ចម្លងពី ឬអនុញ្ញាតឲ្យ screen reader វិភាគវាបានទេ។

OCR ជាអ្វី ហើយដោះស្រាយបញ្ហានេះដូចម្តេច?

OCR (ការស្គាល់តួអក្សរប្រើពន្លឺ) គឺជាបច្ចេកវិទ្យាដែលវិភាគរូបភាពអត្ថបទ ហើយបំប្លែងវាទៅជាតួអក្សរពិតប្រាកដដែលអាចអានដោយម៉ាស៊ីន។ កម្មវិធីមើលរូបរាងនៃអក្សរ ប្រៀបធៀបជាមួយគំរូដែលស្គាល់ ហើយផ្តល់ស្រទាប់អត្ថបទដែលបំបែកមកវិញ PDF។

បន្ទាប់ពីដំណើរការ OCR អ្នកទទួលបាន PDF ដែលអាចស្វែងរក និងជ្រើសរើសបាន - ដូចគ្នាទៅនឹងដើមដោយមើលឃើញ ប៉ុន្តែឥឡូវនេះ cursor អ្នកអាចបន្លិចពាក្យ Ctrl+F អាចស្វែងរកឃ្លា ហើយការចម្លង-បិទភ្ជាប់ដំណើរការធម្មតា។ Screen reader និងឧបករណ៍ accessibility ក៏អាចអានវាដែរ។

របៀបអនុវត្ត OCR លើ PDF ដែលស្កែន

មានវិធីជាច្រើនដើម្បីបន្ថែម OCR ទៅ PDF ដែលស្កែន ពីឧបករណ៍ browser ឥតគិតថ្លៃ រហូតដល់កម្មវិធី desktop:

• បំប្លែងទៅ Word រួចរក្សាទុកជា PDF: កម្មវិធីបំប្លែង PDF ទៅ Word របស់យើងស្រង់ចេញមាតិការូបភាព ហើយបំប្លែងវាទៅជាឯកសារ Word ដែលអាចកែសម្រួលបាន។ ក្នុង Word អត្ថបទអាចជ្រើសរើសបានទាំងស្រុង។ បន្ទាប់មកអ្នកអាច export ឡើងវិញទៅ PDF ដែលមានស្រទាប់អត្ថបទត្រឹមត្រូវ។
• Adobe Acrobat (ចំណាយថ្លៃ): ឧបករណ៍ស្តង់ដារក្នុងឧស្សាហកម្ម។ បើក PDF ចូលទៅ Tools → Scan & OCR → Recognize Text ហើយ Acrobat បន្ថែមស្រទាប់អត្ថបទដោយផ្ទាល់។ ថ្លៃប៉ុន្តែមានភាពត្រឹមត្រូវខ្ពស់។
• Google Drive (ឥតគិតថ្លៃ): Upload PDF ដែលស្កែនទៅ Google Drive ចុចខាងស្តាំ ហើយជ្រើសរើស "បើកជាមួយ Google Docs" Google ដំណើរការ OCR ដោយស្វ័យប្រវត្តិ ហើយបើកអត្ថបទក្នុងឯកសារ Docs។ ដំណើរការល្អសម្រាប់ការស្កែនស្អាត។
• Tesseract OCR (ឥតគិតថ្លៃ open-source): ម៉ាស៊ីន OCR command-line ដ៏មានឥទ្ធិពលដែលប្រើដោយកម្មវិធីជាច្រើន។ ល្អបំផុតសម្រាប់ developer ឬអ្នកប្រើបច្ចេកទេសដែលចង់បានដំណោះស្រាយ self-hosted ឥតគិតថ្លៃ។
• Adobe Acrobat online (ឥតគិតថ្លៃមានកម្រិត): Adobe ផ្តល់ការដំណើរការ OCR ឥតគិតថ្លៃមានកម្រិតតាមរយៈឧបករណ៍ online របស់ពួកគេសម្រាប់អ្នកប្រើដែលគ្មានការជាវ។

គន្លឹះដើម្បីភាពត្រឹមត្រូវ OCR ល្អប្រសើរ

គុណភាព OCR ពឹងផ្អែកខ្លាំងលើគុណភាពនៃការស្កែនដើម។ អនុវត្តតាមគន្លឹះទាំងនេះដើម្បីបង្កើតភាពត្រឹមត្រូវអតិបរមា:

• ស្កែននៅ 300 DPI ឬខ្ពស់ជាងនេះ: ការស្កែន resolution ទាបផ្តល់តួអក្សររញ៉ែរដែល OCR engine អានខុស។ 300 DPI គឺជាអប្បបរមា; 600 DPI ល្អសម្រាប់អត្ថបទតូច ឬឯកសារដែលមានព័ត៌មានលម្អិត។
• ប្រើខ្មៅ-ស សម្រាប់ឯកសារអត្ថបទ: ការស្កែនពណ៌បន្ថែមមេតាដោតឯកសារដោយគ្មានការបង្កើនភាពត្រឹមត្រូវ OCR សម្រាប់អត្ថបទធម្មតា។ ខ្មៅ-ស ឬ grayscale គ្រប់គ្រាន់សម្រាប់ឯកសារភាគច្រើន។
• រក្សាទំព័រឲ្យតម្រង់: ទំព័រដែលទទេ ឬលំអៀងធ្វើឲ្យ OCR software ច្របូកច្របល់។ ឧបករណ៍ទំនើបភាគច្រើនអាច auto-deskew ប៉ុន្តែការចាប់ផ្តើមត្រង់ជួយ។
• ជៀសវាងស្នាមកាហ្វេ និងស្នាមប្រឡាក់: សញ្ញារូបវន្តលើឯកសារត្រូវបានអានខុសជាតួអក្សរ។ សម្អាតដើមឡើយបើអាច។
• ពិនិត្យ output: OCR មិនត្រឹមត្រូវ 100%ទេ។ តែងតែ proofread លទ្ធផល ជាពិសេសសម្រាប់លេខ វណ្ណយុត្ត និងផ្នែកដែលសរសេរដោយដៃ។

បន្ទាប់ពី OCR: កាត់បន្ថយទំហំឯកសារប្រសិនបើចាំបាច់

ការដំណើរការ OCR ម្តងខ្លះអាចបង្កើនទំហំឯកសារ PDF ព្រោះវាបន្ថែមស្រទាប់អត្ថបទដែលលាក់លើស្រទាប់រូបភាពដែលមានស្រាប់។ ប្រសិនបើឯកសារដែលទទួលបានមានទំហំធំពេក ប្រើ ឧបករណ៍បង្ហាប់ PDF របស់យើងដើម្បីកាត់បន្ថយទំហំដោយមិនបាត់បង់គុណភាពរូបភាព។

ចុះបើ OCR មិនស្គាល់អត្ថបទត្រឹមត្រូវ?

ភាពត្រឹមត្រូវ OCR ពឹងផ្អែកលើគុណភាពស្កែនដើម។ លទ្ធផលមិនល្អទូទៅជាមួយ: ពុម្ពអក្សរតូចខ្លាំង (ក្រោម 8pt) អត្ថបទសរសេរដោយដៃ ពុម្ពអក្សរតុបតែង ឬមិនធម្មតា មិនឈានធ្លុះ ឬការស្កែនគុណភាពទាបក្រោម 200 DPI។ ក្នុងករណីទាំងនេះ ការវាយឡើងវិញដោយដៃអាចចាំបាច់ - ឬស្កែនឯកសារដើមឡើយម្តងទៀតដោយមានគុណភាពខ្ពស់ជាងមុនការដំណើរការ OCR ម្តងទៀត។