స్కాన్ చేసిన PDF లో టెక్స్ట్ ఎంచుకోలేకపోతున్నారు - OCR తో దీన్ని ఎలా పరిష్కరించాలి

స్కాన్ చేసిన PDF లో టెక్స్ట్ ఎందుకు ఎంచుకోలేము?

ఒక పత్రాన్ని భౌతికంగా స్కాన్ చేసి PDF గా సేవ్ చేసినప్పుడు, స్కానర్ పేజీ యొక్క flat image ని కాప్చర్ చేస్తుంది - ఒక ఫోటో తీసినట్లు. ఫలితంగా వచ్చే ఫైల్ లో నిజమైన టెక్స్ట్ characters ఉండవు, అక్షరాలలా కనిపించే pixels మాత్రమే ఉంటాయి. అందుకే పత్రంలో ఎక్కడ క్లిక్ చేసినా ఏమీ ఎంచుకోబడదు: మీ cursor కు పట్టుకోవడానికి text layer లేదు.

ఇది అత్యంత సాధారణ PDF సమస్యలలో ఒకటి. పత్రం స్క్రీన్ పై పూర్తిగా చదవగలిగేలా కనిపిస్తుంది, కానీ ఇది PDF wrapper లో పొందుపరిచిన ఒక ఛాయాచిత్రం. మీరు దాన్ని శోధించలేరు, దాని నుంచి copy చేయలేరు, లేదా screen reader దీన్ని parse చేయడానికి అనుమతించలేరు.

OCR అంటే ఏమిటి మరియు ఇది ఎలా సరిచేస్తుంది?

OCR (Optical Character Recognition) అనేది టెక్స్ట్ యొక్క చిత్రాన్ని విశ్లేషించి దానిని నిజమైన, machine-readable characters గా మారుస్తుంది. సాఫ్ట్‌వేర్ అక్షరాల ఆకారాలను చూసి, తెలిసిన patterns తో పోల్చి, PDF లో తిరిగి పొందుపరిచే text layer ని output చేస్తుంది.

OCR processing తర్వాత, మీకు searchable, selectable PDF లభిస్తుంది - దృశ్యపరంగా అసలుకు సమానంగా, కానీ ఇప్పుడు మీ cursor పదాలను హైలైట్ చేయగలదు, Ctrl+F వాక్యాలను కనుగొనగలదు, copy-paste సాధారణంగా పని చేస్తుంది. Screen readers మరియు accessibility tools కూడా దాన్ని చదవగలవు.

స్కాన్ చేసిన PDF కి OCR ఎలా వర్తింపజేయాలి

స్కాన్ చేసిన PDF కు OCR జోడించడానికి free browser tools నుంచి desktop software వరకు అనేక మార్గాలు ఉన్నాయి:

• Word కు మార్చి, PDF గా సేవ్ చేయండి: మా PDF to Word converter దృశ్య కంటెంట్‌ను తీసి సవరించగల Word పత్రంగా మారుస్తుంది. Word లో వస్తే టెక్స్ట్ పూర్తిగా ఎంచుకోదగినది. అప్పుడు proper text layer తో PDF గా re-export చేయవచ్చు.
• Adobe Acrobat (paid): Industry-standard tool. PDF తెరిచి, Tools → Scan & OCR → Recognize Text కు వెళ్ళండి, Acrobat నేరుగా text layer జోడిస్తుంది. ఖరీదైనది కానీ అత్యంత ఖచ్చితమైనది.
• Google Drive (free): స్కాన్ చేసిన PDF ని Google Drive కు upload చేసి, right-click చేసి, "Open with Google Docs" ఎంచుకోండి. Google స్వయంచాలకంగా OCR అమలు చేసి Docs పత్రంలో టెక్స్ట్ తెరుస్తుంది. స్వచ్ఛమైన scans కు అద్భుతంగా పని చేస్తుంది.
• Tesseract OCR (free, open-source): చాలా apps ఉపయోగించే శక్తివంతమైన command-line OCR engine. free self-hosted solution కోరే developers లేదా technical users కు అత్యుత్తమం.
• Adobe Acrobat online (limited free): Adobe subscription లేని users కు online tools ద్వారా పరిమిత free OCR processing అందిస్తుంది.

మెరుగైన OCR accuracy కు చిట్కాలు

OCR నాణ్యత ఎక్కువగా అసల్ scan నాణ్యతపై ఆధారపడి ఉంటుంది. accuracy గరిష్టీకరించడానికి ఈ చిట్కాలు అనుసరించండి:

• 300 DPI లేదా అంతకంటే ఎక్కువ వద్ద స్కాన్ చేయండి: తక్కువ resolution scans OCR engines తప్పుగా చదివే మసకగా ఉండే characters ఉత్పత్తి చేస్తాయి. 300 DPI కనీసం; 600 DPI చిన్న టెక్స్ట్ లేదా వివరమైన పత్రాలకు ఆదర్శం.
• టెక్స్ట్ పత్రాలకు black-and-white ఉపయోగించండి: Color scans plain text కు OCR accuracy మెరుగుపరచకుండా file size పెంచుతాయి. చాలా పత్రాలకు Black-and-white లేదా grayscale సరిపోతుంది.
• పేజీలు నేరుగా ఉంచండి: Tilted లేదా skewed పేజీలు OCR software ని గందరగోళపరుస్తాయి. చాలా ఆధునిక tools auto-deskew చేయగలవు, కానీ మొదటి నుంచి నేరుగా ఉండటం సహాయపడుతుంది.
• Coffee stains మరియు smudges నివారించండి: పత్రంపై భౌతిక గుర్తులు characters గా తప్పుగా చదవబడతాయి. సాధ్యమైతే అసలుని శుభ్రపరచండి.
• Output తనిఖీ చేయండి: OCR 100% ఖచ్చితమైనది కాదు. ఎల్లప్పుడూ ఫలితాన్ని proofread చేయండి, ముఖ్యంగా numbers, punctuation మరియు handwritten విభాగాలకు.

OCR తర్వాత: అవసరమైతే file size తగ్గించండి

OCR processing కొన్నిసార్లు PDF file size పెంచవచ్చు, ఎందుకంటే ఇది ఉన్న image layer పైన hidden text layer జోడిస్తుంది. మీ ఫలిత ఫైల్ చాలా పెద్దగా ఉంటే, దృశ్య నాణ్యత కోల్పోకుండా size తగ్గించడానికి మా PDF compressor ఉపయోగించండి.

OCR టెక్స్ట్ ని సరిగ్గా గుర్తించకపోతే ఏమిటి?

OCR accuracy అసల్ scan నాణ్యతపై ఆధారపడి ఉంటుంది. వీటిలో పేద ఫలితాలు సాధారణం: చాలా చిన్న fonts (8pt కింద), handwritten టెక్స్ట్, decorative లేదా అసాధారణ fonts, వాడిపోయిన ink, లేదా 200 DPI కింద low-quality scans. ఈ సందర్భాలలో, manual retyping అవసరం కావచ్చు - లేదా OCR మళ్ళీ అమలు చేయడానికి ముందు అధిక నాణ్యతతో అసల్ పత్రాన్ని మళ్ళీ స్కాన్ చేయండి.