Com reconèixer el text d'un PDF escanejat amb OCR
En resum: L'OCR no canvia l'aspecte de la pàgina: una capa de text invisible se situa sobre la imatge, i la cerca i la còpia comencen a funcionar. Les pàgines que ja tenen text s'ometen. El mode de qualitat és en realitat una resolució de renderitzat: el ràpid dona 100 DPI, el precís, 300.
Grup
guia pas a pas
guia pas a pas: PDF guidance for reliable document processing and quality checks.
Eina principal
Reconeix text escanejat amb OCR
Obre l’eina d’aquest article i fes-la servir en l’idioma actual.
Obre l'einaÍndex
Reconeixement de text en un PDF: què passa amb un escaneig
Un document escanejat sembla un document i es llegeix com un document, però per a qualsevol programa és una imatge. No hi pots cercar res, no en pots copiar el número d'un contracte i un formulari d'admissió que comprova si hi ha text el rebutja com a fitxer buit.
El reconeixement resol justament això, i ho fa d'una manera que val la pena entendre: no reescriu res.
Què s'afegeix realment al fitxer
La imatge de la pàgina es deixa intacta. Al damunt s'hi posa una segona capa: text situat allà on hi ha les lletres corresponents a la imatge, i fet invisible.
Totes les propietats del resultat se'n deriven. Visualment el fitxer és indistingible de l'original: el mateix paper, els mateixos segells, la mateixa inclinació si n'hi havia. Alhora, la cerca troba paraules, amb un doble clic se selecciona una línia i en copiar s'obté text real.
El mateix fet explica per què el reconeixement és segur per als documents l'aspecte dels quals importa. Un contracte escanejat amb signatura és, després de l'OCR, el mateix escanejat amb la mateixa signatura; simplement s'hi pot cercar.
Les pàgines que ja tenen text s'ometen
Abans de processar-les, es comprova si cada pàgina té una capa de text, i les que en tenen no es reconeixen en absolut.
D'aquí en surten dues conseqüències pràctiques.
Els documents mixtos es tracten correctament sense cap esforç. Si una part del fitxer es va escriure en un editor i una altra s'hi va enganxar com a escanejat, només es reconeix la segona part. El text escrit continua sent l'original en lloc de ser substituït per una còpia reconeguda, cosa que té importància: el text original és exacte, el text reconegut conté errors.
Executar l'OCR en un PDF de text corrent gairebé no fa res i no fa cap mal. És còmode quan no saps si el document que tens al davant és un escaneig: simplement passa'l per l'eina.
La mateixa lògica regeix el temps que triga una tasca. No depèn del nombre de pàgines del document, sinó del nombre de pàgines sense text. Un informe de dues-centes pàgines amb cinc escanejats enganxats es processa en el temps que requereixen cinc pàgines.
Els tres modes de qualitat són tres resolucions
L'opció de qualitat controla una sola cosa: la resolució amb què es renderitza la pàgina abans del reconeixement.
| Mode | Resolució | Quan triar-lo |
|---|---|---|
| Ràpid | 100 DPI | Lletra gran i nítida, una comprovació aproximada |
| Equilibrat | 150 DPI | Documents corrents, contractes, certificats |
| Precís | 300 DPI | Lletra petita, notes a peu de pàgina, còpies dolentes |
El mode per defecte és l'equilibrat, i convé recordar-ho. Cent cinquanta punts per polzada són suficients per als títols i el cos del text, però les notes a peu de pàgina petites, les xifres de les taules i els segells surten pitjor que amb el mode precís.
La regla és senzilla: si el document té alguna cosa que tu mateix has d'entrecloure els ulls per veure, tria el mode precís. És més lent, però t'estalvia fer la feina dues vegades.
Idioma: automàtic vol dir dos idiomes alhora
Hi ha disponibles l'anglès i el rus, a més d'un mode automàtic.
El mode automàtic no endevina l'idioma. Reconeix el document en tots dos idiomes alhora, cosa que va bé per a textos on un idioma està ple de noms, codis i termes de l'altre. El preu és la velocitat i una petita pèrdua de precisió en un text uniforme.
Si el document és íntegrament en un sol idioma, triar aquest idioma dona un resultat una mica millor i més ràpid.
Quan l'idioma triat no està disponible, el reconeixement no falla: s'executa amb el que hi ha instal·lat i afegeix un avís a part que indica tant l'idioma que has demanat com el que s'ha aplicat. Val la pena llegir aquest avís en lloc de descartar-lo: un idioma substituït en silenci explica un resultat estrany millor que qualsevol suposició.
Una nota sobre els documents en altres idiomes. L'escriptura llatina la reconeix el paquet d'anglès, però en el procés es perden o es malmeten els signes diacrítics: els textos en francès i en alemany surten llegibles, però amb errors en els accents. Els sistemes d'escriptura que no són el llatí ni el ciríl·lic no són compatibles en absolut.
Com executar el reconeixement
1. Obre PDF amb OCR en línia i puja el document. 2. Tria l'idioma. Automàtic per a text mixt, un idioma concret per a text uniforme. 3. Activa el mode precís si el document conté lletra petita. 4. Executa la tasca i descarrega el resultat. 5. Obre el fitxer i cerca una paraula que sàpigues que és a l'escaneig. És la comprovació més ràpida possible.
Redreçar la inclinació i què costa
Un interruptor a part redreça les pàgines inclinades abans del reconeixement. Està desactivat per defecte, i amb motiu.
El redreçament s'aplica a una còpia temporal de la pàgina, que és la que llegeix el reconeixement, i la capa de text es col·loca després sobre la pàgina original, sense corregir. En un escaneig molt inclinat això produeix un desplaçament: el text invisible queda girat respecte de les lletres visibles.
La cerca no se'n ressent, la paraula es troba igualment. La selecció amb el ratolí sí: el quadre de selecció cau lluny de les lletres, i copiar un fragment esdevé incòmode.
La contrapartida és deliberada, perquè les pàgines originals es mantenen intactes. Si la inclinació és forta, val més redreçar el document abans del reconeixement, amb Gira PDF en línia per a girs d'angle recte o tornant a fer l'escaneig amb Escaneja a PDF en línia, que sí que redreça de debò.
Què no fa el reconeixement
No millora l'original. Una foto borrosa, el reflex d'una làmpada sobre una línia, l'ombra d'una mà sobre mitja pàgina: tot es queda, i el reconeixement sobre un punt així dona text sense sentit o se'l salta.
No llegeix l'escriptura a mà. L'eina està pensada per a text imprès.
No produeix text amb valor legal. La capa reconeguda conté errors i no pot servir de còpia del document. Existeix per a la cerca i per als sistemes que exigeixen una capa de text, no per a citar.
I no restaura la resolució. Si l'escaneig original es va fer a 75 punts per polzada, el mode precís el renderitza a 300, però no apareix cap lletra de més: una imatge borrosa, simplement, es fa més gran. La qualitat del reconeixement la fixa l'original, no pas l'ajust.
On va el reconeixement en una cadena d'operacions
L'ordre importa més del que sembla, i hi ha una sola regla: el reconeixement va abans de la compressió.
El reconeixement treballa a partir de la imatge de la pàgina. La compressió amb Comprimeix PDF en línia degrada aquesta imatge: en redueix la resolució i hi afegeix artefactes al voltant de les lletres. L'ordre invers produeix sensiblement més errors en el text, i després ja no queda res amb què corregir-los.
El muntatge i el gir també van abans del reconeixement: canvien quines pàgines hi ha i com estan orientades, i la capa de text va lligada a una pàgina concreta.
Si el que necessites no és un fitxer amb capa de text, sinó el text mateix en un fitxer a part, per a això hi ha PDF a text en línia: extreu el contingut a un fitxer de text pla dividit per pàgines.
Autor
Preparat per l'equip del servei; Sergey Gagin n'és el responsable
Preguntes freqüents
Més d'aquest grup
guia pas a pas
Com convertir un PDF a Word editable
El fitxer s’obre a Word, però el cursor no entra al text? Per què per defecte obtens una imatge, en què es diferencia el mode fluid de l’exacte i on han anat les capçaleres repetides.
guia pas a pas
Com extreure taules d’un PDF a Excel
PDF a Excel: quins fulls conté el llibre descarregat, en què es diferencien els tres modes de detecció i per què el mode lax troba més taules però parteix les paraules.
guia pas a pas
Com extreure pàgines d'un PDF a un fitxer nou
Com extreure d'un PDF només les pàgines que necessites: els dos modes de sortida, per què l'arxiu manté els números originals i què passa si desactives la conservació de la mida de pàgina.
Eines relacionades
Reconeix text escanejat amb OCR
L’OCR analitza les pàgines d’imatge i afegeix text reconegut perquè puguis cercar-lo o seleccionar-lo al PDF.
PDF a text en línia
Extreu el text d'un PDF a un fitxer de text pla per copiar-ne el contingut sense format ni maquetació.
Comprimeix PDF en línia
Redueix la mida d'un PDF per enviar-lo per correu o pujar-lo a un formulari. Tria un nivell o una mida objectiu i comprova la llegibilitat i la mida del fitxer resultant abans de compartir-lo.
Gira PDF en línia
Corregeix l'orientació de les pàgines d'un PDF quan un escaneig o unes pàgines concretes estan de costat o cap per avall.
Què fer després
Totes les eines
Catàleg d'eines PDF: uneix, comprimeix, divideix, converteix, gira, protegeix i desbloqueja fitxers PDF en línia, en línia.
Preguntes freqüents
Respostes sobre els comptes d'iHatePDF, el tractament de fitxers, els límits de pujada, l'ús al mòbil, la privacitat i què fer quan una eina PDF dona error.
Contacte
Escriu a iHatePDF per errors de processament, dubtes sobre quina eina triar, seguretat, consultes comercials i suggeriments de noves funcions.