Към съдържанието
Статия

Как да разпознаете текст в сканиран PDF с OCR

Разпознаването слага невидим текстов слой върху непроменено изображение. Кой режим е по подразбиране, какво прави режимът „авто“ с езика и защо изправянето не е включено.

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.

Статии: 13

Основен инструмент

OCR за сканирани PDF файлове

Отворете инструмента от тази статия и извършете операцията на текущия език.

Отворете инструмента

Съдържание

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.

РежимРазделителна способностКога да го изберете
Бърз100 DPIЕдър ясен шрифт, груба проверка
Балансиран150 DPIОбикновени документи, договори, удостоверения
Точен300 DPIДребен 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

За проекта

Често задавани въпроси

Не. Изображението на страницата остава каквото е и върху него се добавя невидим текстов слой. На вид файлът не се различава от оригинала, а търсенето и копирането започват да работят.
Практически нищо: страниците, които вече съдържат текст, се пропускат без обработка. Това е удобно за смесени документи, в които част от страниците са написани, а други са сканирани.
Английски и руски. Автоматичният режим разпознава и двата едновременно, което подхожда на документи със смесен текст. Ако избраният език не е наличен, разпознаването се изпълнява с наличния и съобщава за това в отделно предупреждение.
Не. Основната работа е достъпна без създаване на акаунт.
Файловете се използват само за избраната операция и се изтриват автоматично след края на обработката. Не използваме качените документи за обучение на модели с изкуствен интелект.

Още от тази група

Свързани инструменти

← Всички инструменти: Оптимизиране

Какво да направите по-нататък

Ако след прочитането ви трябва практическа следваща стъпка или насоки за услугата, отворете тези страници.

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.