Как да разпознаете текст в сканиран PDF с OCR
Накратко: OCR не променя вида на страницата: върху изображението се слага невидим текстов слой и търсенето и копирането започват да работят. Страниците с текст се пропускат. Режимът на качество е всъщност разделителна способност: бърз е 100 DPI, точен е 300.
Тематична група
практическо ръководство
практическо ръководство: PDF guidance for reliable document processing and quality checks.
Основен инструмент
OCR за сканирани PDF файлове
Отворете инструмента от тази статия и извършете операцията на текущия език.
Отворете инструментаСъдържание
- Какво всъщност се добавя към файла
- Страниците, които вече съдържат текст, се пропускат
- Трите режима на качество са три разделителни способности
- Език: автоматичният режим означава два езика наведнъж
- Как да пуснете разпознаването
- Изправяне на наклона и цената му
- Какво разпознаването не прави
- Къде е мястото на разпознаването във веригата от операции
Разпознаване на текст в PDF: какво се случва със сканирания документ
Сканираният документ изглежда като документ и се чете като документ, но за всяка програма той е картинка. В него не можете да търсите, не можете да копирате номер на договор, а формуляр за подаване, който проверява за текст, го отхвърля като празен файл.
Разпознаването решава точно този проблем и го прави по начин, който си струва да се разбере: то не пренаписва нищо.
Какво всъщност се добавя към файла
Изображението на страницата остава недокоснато. Върху него се слага втори слой: текст, разположен там, където в картинката стоят съответните букви, и направен невидим.
Всички свойства на резултата следват от това. На вид файлът не се различава от оригинала: същата хартия, същите печати, същият наклон, ако е имало такъв. В същото време търсенето намира думи, двойното щракване маркира ред, а копирането дава истински текст.
Същият факт обяснява защо разпознаването е безопасно за документи, на които външният вид е важен. Сканиран договор с подпис след OCR е същото сканиране със същия подпис; просто в него вече може да се търси.
Страниците, които вече съдържат текст, се пропускат
Преди обработката всяка страница се проверява за текстов слой и страниците, които имат такъв, изобщо не се разпознават.
От това следват две практически неща.
Смесените документи се обработват правилно без усилия от ваша страна. Ако част от файла е написана в редактор, а част е вмъкната като сканиране, се разпознава само втората част. Написаният текст остава оригинален, а не се заменя с разпознато копие, което е важно: оригиналният текст е точен, а разпознатият съдържа грешки.
Пускането на OCR върху обикновен текстов PDF почти нищо не променя и нищо не поврежда. Това е удобно, когато не знаете дали документът пред вас е сканиране: просто го подайте на инструмента.
Същата логика определя и колко време отнема задачата. То зависи не от броя на страниците в документа, а от броя на страниците без текст. Доклад от двеста страници с пет вмъкнати сканирания се обработва за времето, нужно за пет страници.
Трите режима на качество са три разделителни способности
Изборът на качество управлява само едно нещо: разделителната способност, с която страницата се изобразява преди разпознаването.
| Режим | Разделителна способност | Кога да го изберете |
|---|---|---|
| Бърз | 100 DPI | Едър ясен шрифт, груба проверка |
| Балансиран | 150 DPI | Обикновени документи, договори, удостоверения |
| Точен | 300 DPI | Дребен шрифт, бележки под линия, лоши копия |
По подразбиране е избран балансираният режим и това си струва да се запомни. Сто и петдесет точки на инч стигат за заглавия и основен текст, но дребните бележки под линия, числата в таблици и печатите пак се разпознават по-зле, отколкото в точния режим.
Правилото е просто: ако в документа има нещо, което и вие самите трудно разчитате, изберете точния режим. Той е по-бавен, но ви спестява да вършите работата два пъти.
Език: автоматичният режим означава два езика наведнъж
Налични са английски и руски, както и автоматичен режим.
Автоматичният режим не познава езика. Той разпознава документа и на двата езика едновременно, което подхожда на текст, в който единият език е осеян с имена, кодове и термини от другия. Цената е скоростта и малка загуба на точност при еднороден текст.
Ако документът е изцяло на един език, изборът на този език дава малко по-добър и по-бърз резултат.
Когато избраният език не е наличен, разпознаването не се проваля: то се изпълнява с наличното и добавя отделно предупреждение, което назовава както езика, който сте поискали, така и приложения. Това предупреждение си струва да се прочете, а не да се затвори: тихо подменен език обяснява странния резултат по-добре от всякакви догадки.
Една бележка за документи на други езици. Латиницата се разпознава от английския пакет, но диакритичните знаци се губят или се изкривяват: френските и немските текстове излизат четими, но с грешки в ударенията и знаците над буквите. Писмености, различни от латиница и кирилица, изобщо не се поддържат.
Как да пуснете разпознаването
1. Отворете PDF с OCR онлайн и качете документа. 2. Изберете езика. Автоматичен за смесен текст, конкретен език за еднороден текст. 3. Задайте точния режим, ако документът съдържа дребен шрифт. 4. Стартирайте задачата и изтеглете резултата. 5. Отворете файла и потърсете дума, която със сигурност има в сканирането. Това е най-бързата възможна проверка.
Изправяне на наклона и цената му
Отделен превключвател изправя наклонените страници преди разпознаването. По подразбиране е изключен и има причина за това.
Изправянето се прилага върху временно копие на страницата, което разпознаването чете, а текстовият слой след това се полага върху оригиналната, неизправена страница. При силно наклонено сканиране това води до отместване: невидимият текст се оказва завъртян спрямо видимите букви.
Търсенето не страда, думата пак се намира. Страда маркирането с мишката: рамката на избора попада встрани от буквите и копирането на откъс става неудобно.
Компромисът е нарочен, защото оригиналните страници остават недокоснати. Ако наклонът е силен, по-добре е да изправите документа преди разпознаването, с Завъртане на PDF онлайн за завъртане на прав ъгъл или като създадете сканирането отново през Сканиране в PDF онлайн, където има истинско изправяне на наклона.
Какво разпознаването не прави
То не подобрява източника. Размазана снимка, отблясък на лампа през ред, сянката на ръка върху половин страница: всичко това остава и върху такова място разпознаването дава безсмислици или го прескача.
То не чете ръкописен текст. Инструментът е създаден за печатен шрифт.
То не създава текст с правно значение. Разпознатият слой съдържа грешки и не може да служи като копие на документа. Той е нужен за търсене и за системи, които изискват текстов слой, а не за цитиране.
И не възстановява разделителната способност. Ако оригиналното сканиране е направено на 75 точки на инч, точният режим го изобразява на 300, но не се появяват допълнителни букви: размазаната картинка просто става по-голяма. Качеството на разпознаването се определя от източника, а не от настройката.
Къде е мястото на разпознаването във веригата от операции
Редът е по-важен, отколкото изглежда, и има едно правило: разпознаването идва преди компресирането.
Разпознаването работи по изображението на страницата. Компресирането през Компресиране на PDF онлайн влошава това изображение: намалява разделителната способност и добавя артефакти около буквите. Обратният ред дава забележимо повече грешки в текста и после не остава с какво да се поправят.
Събирането и завъртането също са преди разпознаването: те променят кои страници има и как са ориентирани, а текстовият слой е вързан за конкретна страница.
Ако ви трябва не файл с текстов слой, а самият текст като отделен файл, за това служи PDF в текст онлайн: той извлича съдържанието в обикновен текстов файл, разделен по страници.
Автор
Подготвено от екипа на услугата; Сергей Гагин отговаря за услугата
Често задавани въпроси
Още от тази група
практическо ръководство
Как да превърнете PDF в редактируем документ на Word
Файлът се отваря във Word, но курсорът не влиза в текста? Защо по подразбиране получавате картинка, с какво редактируемият текст се различава от точното копие и къде изчезнаха колонтитулите.
практическо ръководство
Как да извлечете таблици от PDF в Excel
PDF в Excel: какви листове има в изтеглената работна книга, как се различават трите режима на откриване и защо свободният намира повече таблици, но къса думите.
практическо ръководство
Как да извлечете страници от PDF в нов файл
Извличане на нужните страници от PDF в отделен файл: двата режима, защо файловете в архива пазят оригиналните номера и какво променя изключеното запазване на размера.
Свързани инструменти
OCR за сканирани PDF файлове
Разпознайте текста в сканиран PDF и добавете невидим текстов слой върху страниците. Така текстът може да се търси и копира, а сканираното изображение остава видимо.
PDF към текст онлайн
Извлечете текста от PDF в обикновен текстов файл, за да копирате съдържанието без форматиране и оформление.
Компресиране на PDF онлайн
Намалете размера на PDF за имейл или формуляр за качване. Изберете ниво на качество или целеви размер и проверете четимостта и размера на получения файл, преди да го споделите.
Завъртане на PDF онлайн
Оправете ориентацията на страниците на PDF, когато сканиране или избрани страници са настрани или с главата надолу.
Какво да направите по-нататък
Всички инструменти
Каталог с PDF инструменти: слей, компресирай, раздели, конвертирай, завърти, защити и отключи PDF файлове онлайн, онлайн.
ЧЗВ
Намерете отговори за акаунтите в iHatePDF, обработката на файлове, ограниченията при качване, достъпа от мобилно устройство, поверителността и какво да направите, когато PDF инструмент върне грешка.
Контакти
Свържете се с iHatePDF за грешки при обработка, избор на инструмент, сигурност, бизнес запитвания и предложения за нови функции.