Μετάβαση στο περιεχόμενο
Άρθρο

Πώς να αναγνωρίσετε κείμενο σε σαρωμένο PDF με OCR

Η αναγνώριση βάζει αόρατο επίπεδο κειμένου πάνω από την ανέγγιχτη εικόνα της σελίδας. Ποια ποιότητα είναι προεπιλογή, τι κάνει η αυτόματη γλώσσα και γιατί το ίσιωμα είναι κλειστό.

Εν συντομία: Το OCR δεν αλλάζει την εμφάνιση της σελίδας: ένα αόρατο επίπεδο κειμένου μπαίνει πάνω από την εικόνα και η αναζήτηση και η αντιγραφή αρχίζουν να λειτουργούν. Οι σελίδες που ήδη έχουν κείμενο παραλείπονται. Η λειτουργία ποιότητας είναι στην πραγματικότητα ανάλυση απόδοσης: η γρήγορη δίνει 100 DPI, η ακριβής 300.

Ενότητα

οδηγός βήμα προς βήμα

οδηγός βήμα προς βήμα: PDF guidance for reliable document processing and quality checks.

Άρθρα: 13

Κύριο εργαλείο

Αναγνωρίστε σαρωμένο κείμενο με OCR

Ανοίξτε το εργαλείο από αυτό το άρθρο και ολοκληρώστε τη λειτουργία στην τρέχουσα γλώσσα.

Άνοιγμα εργαλείου

Περιεχόμενα

Αναγνώριση κειμένου σε PDF: τι συμβαίνει με μια σάρωση

Ένα σαρωμένο έγγραφο μοιάζει με έγγραφο και διαβάζεται σαν έγγραφο, αλλά για κάθε πρόγραμμα είναι απλώς μια εικόνα. Δεν μπορείτε να κάνετε αναζήτηση σε αυτό, δεν μπορείτε να αντιγράψετε από μέσα τον αριθμό ενός συμβολαίου, και μια φόρμα υποβολής που ελέγχει για κείμενο το απορρίπτει ως κενό αρχείο.

Την ανάγκη αυτή καλύπτει η αναγνώριση, και το κάνει με έναν τρόπο που αξίζει να καταλάβετε: δεν ξαναγράφει τίποτα.

Τι προστίθεται πραγματικά στο αρχείο

Η εικόνα της σελίδας μένει ανέγγιχτη. Από πάνω της μπαίνει ένα δεύτερο επίπεδο: κείμενο τοποθετημένο εκεί όπου βρίσκονται στην εικόνα τα αντίστοιχα γράμματα, και κρυμμένο από το μάτι.

Όλες οι ιδιότητες του αποτελέσματος προκύπτουν από αυτό. Οπτικά το αρχείο δεν ξεχωρίζει από το πρωτότυπο: το ίδιο χαρτί, οι ίδιες σφραγίδες, η ίδια κλίση, αν υπήρχε. Στο μεταξύ η αναζήτηση βρίσκει λέξεις, το διπλό κλικ επιλέγει μια γραμμή και η αντιγραφή δίνει πραγματικό κείμενο.

Το ίδιο γεγονός εξηγεί γιατί η αναγνώριση είναι ασφαλής για έγγραφα των οποίων η εμφάνιση έχει σημασία. Ένα σαρωμένο συμβόλαιο με υπογραφή είναι μετά το OCR η ίδια σάρωση με την ίδια υπογραφή, απλώς πλέον επιδέχεται αναζήτηση.

Οι σελίδες που ήδη έχουν κείμενο παραλείπονται

Πριν από την επεξεργασία ελέγχεται κάθε σελίδα για επίπεδο κειμένου, και οι σελίδες που έχουν ένα δεν αναγνωρίζονται καθόλου.

Από αυτό προκύπτουν δύο πρακτικές συνέπειες.

Τα μικτά έγγραφα αντιμετωπίζονται σωστά χωρίς καμία προσπάθεια από εσάς. Αν ένα μέρος του αρχείου πληκτρολογήθηκε σε κειμενογράφο και ένα άλλο επικολλήθηκε ως σάρωση, αναγνωρίζεται μόνο το δεύτερο. Το πληκτρολογημένο κείμενο παραμένει το πρωτότυπο και δεν αντικαθίσταται από ένα αναγνωρισμένο αντίγραφο, κάτι που έχει σημασία: το πρωτότυπο κείμενο είναι ακριβές, ενώ το αναγνωρισμένο περιέχει λάθη.

Αν εφαρμόσετε OCR σε ένα συνηθισμένο PDF με κείμενο, σχεδόν δεν γίνεται τίποτα και δεν χαλάει τίποτα. Αυτό βολεύει όταν δεν ξέρετε αν το έγγραφο που έχετε μπροστά σας είναι σάρωση: περάστε το απλώς από το εργαλείο.

Την ίδια λογική ακολουθεί και η διάρκεια της εργασίας. Δεν εξαρτάται από τον αριθμό των σελίδων του εγγράφου, αλλά από τον αριθμό των σελίδων χωρίς κείμενο. Μια αναφορά διακοσίων σελίδων με πέντε επικολλημένες σαρώσεις επεξεργάζεται στον χρόνο που χρειάζονται πέντε σελίδες.

Οι τρεις λειτουργίες ποιότητας είναι τρεις αναλύσεις

Η επιλογή ποιότητας ελέγχει ένα μόνο πράγμα: την ανάλυση με την οποία αποδίδεται η σελίδα πριν από την αναγνώριση.

ΛειτουργίαΑνάλυσηΠότε να την επιλέξετε
Γρήγορη100 DPIΜεγάλα καθαρά γράμματα, πρόχειρος έλεγχος
Ισορροπημένη150 DPIΣυνηθισμένα έγγραφα, συμβόλαια, πιστοποιητικά
Ακριβής300 DPIΜικρά γράμματα, υποσημειώσεις, κακά αντίγραφα

Προεπιλογή είναι η ισορροπημένη λειτουργία, και αξίζει να το θυμάστε. Εκατόν πενήντα κουκκίδες ανά ίντσα αρκούν για τους τίτλους και το κυρίως κείμενο, όμως οι μικρές υποσημειώσεις, οι αριθμοί στους πίνακες και οι σφραγίδες βγαίνουν χειρότερα απ' ό,τι στην ακριβή λειτουργία.

Ο κανόνας είναι απλός: αν το έγγραφο περιέχει κάτι που το διαβάζετε κι εσείς με δυσκολία, επιλέξτε την ακριβή λειτουργία. Είναι πιο αργή, αλλά σας γλιτώνει από το να κάνετε τη δουλειά δύο φορές.

Γλώσσα: η αυτόματη επιλογή σημαίνει δύο γλώσσες ταυτόχρονα

Διατίθενται τα αγγλικά και τα ρωσικά, μαζί με μια αυτόματη λειτουργία.

Η αυτόματη λειτουργία δεν μαντεύει τη γλώσσα. Αναγνωρίζει το έγγραφο και στις δύο γλώσσες ταυτόχρονα, κάτι που ταιριάζει σε κείμενο όπου η μία γλώσσα είναι γεμάτη ονόματα, κωδικούς και όρους από την άλλη. Το τίμημα είναι η ταχύτητα και μια μικρή απώλεια ακρίβειας σε ομοιόμορφο κείμενο.

Αν το έγγραφο είναι εξ ολοκλήρου σε μία γλώσσα, η επιλογή αυτής της γλώσσας δίνει ελαφρώς καλύτερο και ταχύτερο αποτέλεσμα.

Όταν η γλώσσα που επιλέξατε δεν είναι διαθέσιμη, η αναγνώριση δεν αποτυγχάνει: τρέχει με ό,τι είναι εγκατεστημένο και επισυνάπτει ξεχωριστή προειδοποίηση που αναφέρει και τη γλώσσα που ζητήσατε και εκείνη που εφαρμόστηκε. Αυτή την προειδοποίηση αξίζει να τη διαβάσετε αντί να την κλείσετε: μια γλώσσα που αντικαταστάθηκε σιωπηλά εξηγεί ένα περίεργο αποτέλεσμα καλύτερα από οποιαδήποτε εικασία.

Μια παρατήρηση για έγγραφα σε άλλες γλώσσες. Η λατινική γραφή αναγνωρίζεται από το αγγλικό πακέτο, αλλά οι τόνοι και τα διακριτικά σημεία χάνονται ή παραμορφώνονται στην πορεία: τα γαλλικά και τα γερμανικά κείμενα βγαίνουν ευανάγνωστα, με λάθη στους τόνους. Τα συστήματα γραφής εκτός από το λατινικό και το κυριλλικό δεν υποστηρίζονται καθόλου.

Πώς να εκτελέσετε την αναγνώριση

1. Ανοίξτε το PDF με OCR στο διαδίκτυο και ανεβάστε το έγγραφο. 2. Επιλέξτε τη γλώσσα. Αυτόματη για μικτό κείμενο, συγκεκριμένη γλώσσα για ομοιόμορφο κείμενο. 3. Ορίστε την ακριβή λειτουργία αν το έγγραφο έχει μικρά γράμματα. 4. Εκτελέστε την εργασία και κατεβάστε το αποτέλεσμα. 5. Ανοίξτε το αρχείο και αναζητήστε μια λέξη που ξέρετε ότι υπάρχει στη σάρωση. Είναι ο ταχύτερος δυνατός έλεγχος.

Το ίσιωμα της κλίσης και τι κοστίζει

Ένας ξεχωριστός διακόπτης ισιώνει τις λοξές σελίδες πριν από την αναγνώριση. Είναι απενεργοποιημένος από προεπιλογή, και υπάρχει λόγος.

Το ίσιωμα εφαρμόζεται σε ένα προσωρινό αντίγραφο της σελίδας, το οποίο διαβάζει η αναγνώριση, και το επίπεδο κειμένου τοποθετείται έπειτα πάνω στην αρχική, αδιόρθωτη σελίδα. Σε μια σάρωση με έντονη κλίση αυτό προκαλεί μετατόπιση: το αόρατο κείμενο καταλήγει περιστραμμένο σε σχέση με τα ορατά γράμματα.

Η αναζήτηση δεν επηρεάζεται, η λέξη βρίσκεται κανονικά. Η επιλογή με το ποντίκι όμως επηρεάζεται: το πλαίσιο επιλογής πέφτει μακριά από τα γράμματα και η αντιγραφή ενός αποσπάσματος γίνεται δύσκολη.

Ο συμβιβασμός είναι σκόπιμος, γιατί οι αρχικές σελίδες μένουν ανέγγιχτες. Αν η κλίση είναι μεγάλη, καλύτερα να ισιώσετε το έγγραφο πριν από την αναγνώριση, με το εργαλείο Περιστροφή PDF στο διαδίκτυο για στροφές κατά ορθή γωνία ή ξαναφτιάχνοντας τη σάρωση μέσω του εργαλείου Σάρωση σε PDF στο διαδίκτυο, που διαθέτει πραγματικό ίσιωμα.

Τι δεν κάνει η αναγνώριση

Δεν βελτιώνει την πηγή. Μια θολή φωτογραφία, η αντανάκλαση ενός φωτός πάνω σε μια γραμμή, η σκιά ενός χεριού στη μισή σελίδα: όλα μένουν, και η αναγνώριση πάνω σε ένα τέτοιο σημείο δίνει ακαταλαβίστικα σύμβολα ή το προσπερνά.

Δεν διαβάζει χειρόγραφο. Το εργαλείο είναι φτιαγμένο για τυπωμένα γράμματα.

Δεν παράγει κείμενο με νομική ισχύ. Το αναγνωρισμένο επίπεδο περιέχει λάθη και δεν μπορεί να χρησιμεύσει ως αντίγραφο του εγγράφου. Υπάρχει για την αναζήτηση και για συστήματα που απαιτούν επίπεδο κειμένου, όχι για παράθεση.

Και δεν επαναφέρει ανάλυση. Αν η αρχική σάρωση έγινε στις 75 κουκκίδες ανά ίντσα, η ακριβής λειτουργία την αποδίδει στα 300, αλλά δεν εμφανίζονται επιπλέον γράμματα: μια θολή εικόνα απλώς μεγαλώνει. Την ποιότητα της αναγνώρισης την καθορίζει η πηγή, όχι η ρύθμιση.

Πού ανήκει η αναγνώριση σε μια αλυσίδα ενεργειών

Η σειρά έχει μεγαλύτερη σημασία απ' όσο φαίνεται, και υπάρχει ένας κανόνας: η αναγνώριση γίνεται πριν από τη συμπίεση.

Η αναγνώριση δουλεύει από την εικόνα της σελίδας. Η συμπίεση μέσω του εργαλείου Συμπίεση PDF στο διαδίκτυο επιδεινώνει την εικόνα αυτή: μειώνει την ανάλυση και προσθέτει παράσιτα γύρω από τα γράμματα. Με την αντίστροφη σειρά το κείμενο βγαίνει με αισθητά περισσότερα λάθη, και μετά δεν έχει μείνει τίποτα για να τα διορθώσετε.

Η συναρμολόγηση και η περιστροφή ανήκουν επίσης πριν από την αναγνώριση: αλλάζουν ποιες σελίδες υπάρχουν και πώς είναι προσανατολισμένες, και το επίπεδο κειμένου είναι δεμένο με μια συγκεκριμένη σελίδα.

Αν χρειάζεστε όχι ένα αρχείο με επίπεδο κειμένου αλλά το ίδιο το κείμενο ως ξεχωριστό αρχείο, γι' αυτό υπάρχει το PDF σε κείμενο στο διαδίκτυο: εξάγει το περιεχόμενο σε απλό αρχείο κειμένου χωρισμένο ανά σελίδα.

Συντάκτης

Συντάχθηκε από την ομάδα της υπηρεσίας· υπεύθυνος υπηρεσίας είναι ο Sergey Gagin.

Σχετικά με το έργο

Συχνές ερωτήσεις

Όχι. Η εικόνα της σελίδας μένει όπως ήταν και από πάνω της προστίθεται ένα αόρατο επίπεδο κειμένου. Οπτικά το αρχείο δεν ξεχωρίζει από το πρωτότυπο, ενώ η αναζήτηση και η αντιγραφή αρχίζουν να λειτουργούν.
Πρακτικά τίποτα: οι σελίδες που ήδη έχουν κείμενο παραλείπονται χωρίς επεξεργασία. Αυτό βολεύει στα μικτά έγγραφα, όπου μερικές σελίδες είναι πληκτρολογημένες και άλλες σαρωμένες.
Τα αγγλικά και τα ρωσικά. Η αυτόματη λειτουργία αναγνωρίζει και τις δύο ταυτόχρονα, κάτι που ταιριάζει σε έγγραφα με μικτό κείμενο. Αν η γλώσσα που επιλέξατε δεν είναι διαθέσιμη, η αναγνώριση τρέχει με εκείνη που υπάρχει και το αναφέρει σε ξεχωριστή προειδοποίηση.
Όχι. Η βασική χρήση είναι διαθέσιμη χωρίς δημιουργία λογαριασμού.
Τα αρχεία χρησιμοποιούνται μόνο για την επιλεγμένη ενέργεια και διαγράφονται αυτόματα όταν ολοκληρωθεί η επεξεργασία. Δεν χρησιμοποιούμε τα έγγραφα που ανεβάζετε για την εκπαίδευση μοντέλων τεχνητής νοημοσύνης.

Περισσότερα από αυτή την ενότητα

Σχετικά εργαλεία

← Όλα τα εργαλεία: Βελτιστοποίηση

Τι να κάνετε στη συνέχεια

Αν χρειάζεστε ένα πρακτικό επόμενο βήμα ή καθοδήγηση για την υπηρεσία μετά την ανάγνωση, ανοίξτε αυτές τις σελίδες.

Όλα τα εργαλεία

Κατάλογος εργαλείων PDF: συγχώνευση, συμπίεση, διαχωρισμός, μετατροπή, περιστροφή, προστασία και ξεκλείδωμα PDF online, online.

Συχνές ερωτήσεις

Απαντήσεις για τους λογαριασμούς του iHatePDF, την επεξεργασία αρχείων, τα όρια μεταφόρτωσης, την πρόσβαση από κινητό, το απόρρητο και τι να κάνετε όταν ένα εργαλείο PDF επιστρέφει σφάλμα.

Επικοινωνία

Επικοινωνήστε με το iHatePDF για σφάλματα επεξεργασίας, επιλογή εργαλείου, ασφάλεια, επαγγελματικά αιτήματα και προτάσεις.