ಸ್ಕ್ಯಾನ್ ಮಾಡಿದ PDF ನಲ್ಲಿ ಪಠ್ಯ ಆಯ್ಕೆ ಮಾಡಲಾಗುತ್ತಿಲ್ಲ - OCR ನಿಂದ ಇದನ್ನು ಹೇಗೆ ಸರಿಪಡಿಸುವುದು

ಸ್ಕ್ಯಾನ್ ಮಾಡಿದ PDF ನಲ್ಲಿ ಪಠ್ಯ ಏಕೆ ಆಯ್ಕೆ ಮಾಡಲಾಗುವುದಿಲ್ಲ?

ಒಂದು ದಾಖಲೆಯನ್ನು ಭೌತಿಕವಾಗಿ ಸ್ಕ್ಯಾನ್ ಮಾಡಿ PDF ಆಗಿ ಉಳಿಸಿದಾಗ, ಸ್ಕ್ಯಾನರ್ ಪುಟದ flat image ಅನ್ನು ಕ್ಯಾಪ್ಚರ್ ಮಾಡುತ್ತದೆ - ಒಂದು ಫೋಟೋ ತೆಗೆದಂತೆ. ಫಲಿತಾಂಶದ ಫೈಲ್‌ನಲ್ಲಿ ನಿಜವಾದ ಪಠ್ಯ characters ಇಲ್ಲ, ಅಕ್ಷರಗಳಂತೆ ಕಾಣುವ pixels ಮಾತ್ರ ಇರುತ್ತವೆ. ಅದಕ್ಕಾಗಿಯೇ ದಾಖಲೆಯ ಯಾವ ಜಾಗದಲ್ಲಿ ಕ್ಲಿಕ್ ಮಾಡಿದರೂ ಏನೂ ಆಯ್ಕೆಯಾಗುವುದಿಲ್ಲ: ನಿಮ್ಮ cursor ಹಿಡಿಯಲು text layer ಇಲ್ಲ.

ಇದು ಅತ್ಯಂತ ಸಾಮಾನ್ಯ PDF ತೊಂದರೆಗಳಲ್ಲಿ ಒಂದು. ದಾಖಲೆ ಪರದೆಯ ಮೇಲೆ ಸಂಪೂರ್ಣ ಓದಬಹುದಾದಂತೆ ಕಾಣುತ್ತದೆ, ಆದರೆ ಇದು ಮೂಲಭೂತವಾಗಿ PDF wrapper ನಲ್ಲಿ ಅಡಕವಾದ ಒಂದು ಛಾಯಾಚಿತ್ರ. ನೀವು ಅದನ್ನು ಹುಡುಕಲಾಗುವುದಿಲ್ಲ, ಅದರಿಂದ copy ಮಾಡಲಾಗುವುದಿಲ್ಲ, ಅಥವಾ screen reader ಅದನ್ನು parse ಮಾಡಲು ಅನುಮತಿಸಲಾಗುವುದಿಲ್ಲ.

OCR ಎಂದರೇನು ಮತ್ತು ಅದು ಇದನ್ನು ಹೇಗೆ ಸರಿಪಡಿಸುತ್ತದೆ?

OCR (Optical Character Recognition) ಎಂಬುದು ಪಠ್ಯದ ಚಿತ್ರವನ್ನು ವಿಶ್ಲೇಷಿಸಿ ಅದನ್ನು ನಿಜವಾದ, machine-readable characters ಆಗಿ ಪರಿವರ್ತಿಸುವ ತಂತ್ರಜ್ಞಾನ. ಸಾಫ್ಟ್‌ವೇರ್ ಅಕ್ಷರಗಳ ಆಕಾರಗಳನ್ನು ನೋಡಿ, ತಿಳಿದ patterns ಗಳೊಂದಿಗೆ ಹೋಲಿಸಿ, PDF ನಲ್ಲಿ ಮತ್ತೆ ಅಡಕವಾಗುವ text layer ಅನ್ನು output ಮಾಡುತ್ತದೆ.

OCR processing ನಂತರ, ನೀವು searchable, selectable PDF ಪಡೆಯುತ್ತೀರಿ - ದೃಶ್ಯವಾಗಿ ಮೂಲಕ್ಕೆ ಒಂದೇ ರೀತಿ ಇರುತ್ತದೆ, ಆದರೆ ಈಗ ನಿಮ್ಮ cursor ಪದಗಳನ್ನು ಹೈಲೈಟ್ ಮಾಡಬಹುದು, Ctrl+F ವಾಕ್ಯಾಂಶಗಳನ್ನು ಕಂಡುಹಿಡಿಯಬಹುದು, copy-paste ಸಾಮಾನ್ಯವಾಗಿ ಕೆಲಸ ಮಾಡುತ್ತದೆ. Screen readers ಮತ್ತು accessibility tools ಕೂಡ ಅದನ್ನು ಓದಬಹುದು.

ಸ್ಕ್ಯಾನ್ ಮಾಡಿದ PDF ಗೆ OCR ಹೇಗೆ ಅನ್ವಯಿಸುವುದು

ಸ್ಕ್ಯಾನ್ ಮಾಡಿದ PDF ಗೆ OCR ಸೇರಿಸಲು free browser tools ನಿಂದ desktop software ವರೆಗೆ ಹಲವು ಮಾರ್ಗಗಳಿವೆ:

• Word ಗೆ ಪರಿವರ್ತಿಸಿ, ನಂತರ PDF ಆಗಿ ಉಳಿಸಿ: ನಮ್ಮ PDF to Word converter ದೃಶ್ಯ ವಿಷಯವನ್ನು ತೆಗೆದು ಸಂಪಾದಿಸಬಹುದಾದ Word ದಾಖಲೆಗೆ ಪರಿವರ್ತಿಸುತ್ತದೆ. Word ನಲ್ಲಿ ಬಂದ ನಂತರ ಪಠ್ಯ ಸಂಪೂರ್ಣ ಆಯ್ಕೆ ಮಾಡಬಹುದಾಗಿದೆ. ನಂತರ proper text layer ನೊಂದಿಗೆ PDF ಆಗಿ re-export ಮಾಡಬಹುದು.
• Adobe Acrobat (paid): Industry-standard tool. PDF ತೆರೆದು, Tools → Scan & OCR → Recognize Text ಗೆ ಹೋಗಿ, Acrobat ನೇರವಾಗಿ text layer ಸೇರಿಸುತ್ತದೆ. ದುಬಾರಿ ಆದರೆ ಅತ್ಯಂತ ನಿಖರ.
• Google Drive (free): ಸ್ಕ್ಯಾನ್ ಮಾಡಿದ PDF ಅನ್ನು Google Drive ಗೆ upload ಮಾಡಿ, right-click ಮಾಡಿ, "Open with Google Docs" ಆಯ್ಕೆ ಮಾಡಿ. Google ಸ್ವಯಂಚಾಲಿತವಾಗಿ OCR ಅನ್ನು ಚಲಾಯಿಸಿ Docs ದಾಖಲೆಯಲ್ಲಿ ಪಠ್ಯ ತೆರೆಯುತ್ತದೆ. ಸ್ಪಷ್ಟ scans ಗಳಿಗೆ ಆಶ್ಚರ್ಯಕರವಾಗಿ ಚೆನ್ನಾಗಿ ಕೆಲಸ ಮಾಡುತ್ತದೆ.
• Tesseract OCR (free, open-source): ಅನೇಕ apps ಬಳಸುವ ಶಕ್ತಿಶಾಲಿ command-line OCR engine. free self-hosted solution ಬಯಸುವ developers ಅಥವಾ technical users ಗೆ ಅತ್ಯುತ್ತಮ.
• Adobe Acrobat online (limited free): Adobe subscription ಇಲ್ಲದ users ಗೆ online tools ಮೂಲಕ ಸೀಮಿತ free OCR processing ನೀಡುತ್ತದೆ.

ಉತ್ತಮ OCR accuracy ಗಾಗಿ ಸಲಹೆಗಳು

OCR ಗುಣಮಟ್ಟ ಹೆಚ್ಚಾಗಿ ಮೂಲ scan ಗುಣಮಟ್ಟವನ್ನು ಅವಲಂಬಿಸಿರುತ್ತದೆ. accuracy ಗರಿಷ್ಠಗೊಳಿಸಲು ಈ ಸಲಹೆಗಳನ್ನು ಅನುಸರಿಸಿ:

• 300 DPI ಅಥವಾ ಹೆಚ್ಚಿನದರಲ್ಲಿ ಸ್ಕ್ಯಾನ್ ಮಾಡಿ: ಕಡಿಮೆ resolution scans OCR engines ತಪ್ಪಾಗಿ ಓದುವ ಮಬ್ಬಾದ characters ಉತ್ಪಾದಿಸುತ್ತವೆ. 300 DPI ಕನಿಷ್ಠ; 600 DPI ಸಣ್ಣ ಪಠ್ಯ ಅಥವಾ ವಿವರವಾದ ದಾಖಲೆಗಳಿಗೆ ಆದರ್ಶ.
• ಪಠ್ಯ ದಾಖಲೆಗಳಿಗೆ black-and-white ಬಳಸಿ: Color scans plain text ಗೆ OCR accuracy ಸುಧಾರಿಸದೆ file size ಹೆಚ್ಚಿಸುತ್ತವೆ. ಹೆಚ್ಚಿನ ದಾಖಲೆಗಳಿಗೆ Black-and-white ಅಥವಾ grayscale ಸಾಕಾಗುತ್ತದೆ.
• ಪುಟಗಳನ್ನು ನೇರವಾಗಿ ಇಡಿ: Tilted ಅಥವಾ skewed ಪುಟಗಳು OCR software ಅನ್ನು ಗೊಂದಲಗೊಳಿಸುತ್ತವೆ. ಹೆಚ್ಚಿನ ಆಧುನಿಕ tools auto-deskew ಮಾಡಬಹುದು, ಆದರೆ ಆರಂಭದಿಂದಲೇ ನೇರವಾಗಿ ಇಟ್ಟರೆ ಸಹಾಯವಾಗುತ್ತದೆ.
• Coffee stains ಮತ್ತು smudges ತಪ್ಪಿಸಿ: ದಾಖಲೆಯ ಮೇಲಿನ ಭೌತಿಕ ಗುರುತುಗಳು characters ಆಗಿ ತಪ್ಪಾಗಿ ಓದಲ್ಪಡುತ್ತವೆ. ಸಾಧ್ಯವಾದರೆ ಮೂಲವನ್ನು ಸ್ವಚ್ಛ ಮಾಡಿ.
• Output ಪರಿಶೀಲಿಸಿ: OCR 100% ನಿಖರವಲ್ಲ. ಯಾವಾಗಲೂ ಫಲಿತಾಂಶ proofread ಮಾಡಿ, ವಿಶೇಷವಾಗಿ numbers, punctuation ಮತ್ತು handwritten ವಿಭಾಗಗಳಿಗೆ.

OCR ನಂತರ: ಅವಶ್ಯವಿದ್ದರೆ file size ಕಡಿಮೆ ಮಾಡಿ

OCR processing ಕೆಲವೊಮ್ಮೆ PDF file size ಹೆಚ್ಚಿಸಬಹುದು ಏಕೆಂದರೆ ಇದು ಅಸ್ತಿತ್ವದಲ್ಲಿರುವ image layer ಮೇಲೆ hidden text layer ಸೇರಿಸುತ್ತದೆ. ನಿಮ್ಮ ಫಲಿತಾಂಶ ಫೈಲ್ ತುಂಬಾ ದೊಡ್ಡದಾಗಿದ್ದರೆ, ದೃಶ್ಯ ಗುಣಮಟ್ಟ ಕಳೆದುಕೊಳ್ಳದೆ size ಕಡಿಮೆ ಮಾಡಲು ನಮ್ಮ PDF compressor ಬಳಸಿ.

OCR ಪಠ್ಯವನ್ನು ಸರಿಯಾಗಿ ಗುರುತಿಸದಿದ್ದರೆ ಏನು?

OCR accuracy ಮೂಲ scan ಗುಣಮಟ್ಟವನ್ನು ಅವಲಂಬಿಸಿರುತ್ತದೆ. ಇವರಿಗೆ ಕಳಪೆ ಫಲಿತಾಂಶಗಳು ಸಾಮಾನ್ಯ: ತುಂಬಾ ಸಣ್ಣ fonts (8pt ಕೆಳಗೆ), handwritten ಪಠ್ಯ, decorative ಅಥವಾ ಅಸಾಮಾನ್ಯ fonts, ಮಬ್ಬಾದ ink, ಅಥವಾ 200 DPI ಕೆಳಗೆ low-quality scans. ಈ ಸಂದರ್ಭಗಳಲ್ಲಿ, manual retyping ಅಗತ್ಯ ಆಗಬಹುದು - ಅಥವಾ OCR ಮತ್ತೆ ಚಲಾಯಿಸುವ ಮೊದಲು ಹೆಚ್ಚಿನ ಗುಣಮಟ್ಟದಲ್ಲಿ ಮೂಲ ದಾಖಲೆಯನ್ನು ಮತ್ತೆ ಸ್ಕ್ಯಾನ್ ಮಾಡಿ.