Langkau ke kandungan
Artikel

Cara mengecam teks dalam PDF imbasan menggunakan OCR

Pengecaman meletakkan lapisan teks tidak kelihatan di atas imej halaman yang tidak diusik. Mod kualiti lalai, tindakan auto pada bahasa, dan sebab pelurusan tidak aktif.

Ringkasnya: OCR tidak mengubah rupa halaman: lapisan teks tidak kelihatan diletakkan di atas imej, lalu carian dan salin mula berfungsi. Halaman yang sudah mengandungi teks dilangkau. Mod kualiti sebenarnya ialah resolusi pemaparan: pantas menggunakan 100 DPI, tepat menggunakan 300.

Kelompok

panduan langkah demi langkah

panduan langkah demi langkah: PDF guidance for reliable document processing and quality checks.

13 artikel

Alat utama

OCR PDF dalam talian

Buka alat yang dipautkan dalam artikel ini untuk melaksanakan tugasan dalam bahasa yang sedang anda gunakan.

Buka alat

Kandungan

Pengecaman teks dalam PDF: apa yang berlaku pada imbasan

Dokumen imbasan nampak seperti dokumen dan boleh dibaca seperti dokumen, tetapi bagi mana-mana program ia hanyalah gambar. Anda tidak boleh mencarinya, tidak boleh menyalin nombor kontrak daripadanya, dan borang permohonan yang menyemak kewujudan teks akan menolaknya sebagai fail kosong.

Pengecaman menyelesaikan masalah itu, dan caranya wajar difahami: ia tidak menulis semula apa-apa.

Apa yang sebenarnya ditambah pada fail

Imej halaman tidak diusik. Satu lapisan kedua diletakkan di atasnya: teks yang diletakkan di tempat huruf berkenaan berada dalam gambar, dan dijadikan tidak kelihatan.

Semua sifat hasilnya berpunca daripada hal ini. Dari segi paparan, fail itu tidak dapat dibezakan daripada yang asal: kertas yang sama, cop yang sama, kecondongan yang sama jika ada. Pada masa yang sama, carian menemui perkataan, klik dua kali memilih satu baris, dan salinan menghasilkan teks sebenar.

Fakta yang sama menerangkan mengapa pengecaman selamat untuk dokumen yang rupa paparannya penting. Kontrak imbasan yang bertandatangan, selepas OCR, ialah imbasan yang sama dengan tandatangan yang sama; cuma kini ia boleh dicari.

Halaman yang sudah mengandungi teks dilangkau

Sebelum pemprosesan, setiap halaman disemak untuk lapisan teks, dan halaman yang sudah memilikinya tidak dikecam langsung.

Dua akibat praktikal berikutan hal ini.

Dokumen campuran dikendalikan dengan betul tanpa usaha tambahan. Jika sebahagian fail ditaip dalam penyunting dan sebahagian lagi ditampal sebagai imbasan, hanya bahagian kedua dikecam. Teks yang ditaip kekal asli dan tidak diganti dengan salinan hasil pengecaman, dan ini penting: teks asli tepat, manakala teks hasil pengecaman mengandungi ralat.

Menjalankan OCR pada PDF teks biasa hampir tidak melakukan apa-apa dan tidak merosakkan apa-apa. Ini mudah apabila anda tidak pasti sama ada dokumen di hadapan anda ialah imbasan: lalukan sahaja melalui alat ini.

Logik yang sama menentukan berapa lama sesuatu tugas mengambil masa. Ia bergantung bukan pada bilangan halaman dalam dokumen, tetapi pada bilangan halaman yang tiada teks. Laporan dua ratus halaman dengan lima imbasan yang ditampal diproses dalam masa yang diambil oleh lima halaman.

Tiga mod kualiti ialah tiga resolusi

Pilihan kualiti mengawal satu perkara sahaja: resolusi yang digunakan untuk memaparkan halaman sebelum pengecaman.

ModResolusiBila sesuai dipilih
Pantas100 DPICetakan besar yang jelas, semakan kasar
Seimbang150 DPIDokumen biasa, kontrak, sijil
Tepat300 DPICetakan kecil, nota kaki, salinan yang kurang baik

Mod lalai ialah mod seimbang, dan ini patut diingat. Seratus lima puluh titik per inci memadai untuk tajuk dan teks isi, tetapi nota kaki kecil, angka dalam jadual dan cop masih lebih teruk hasilnya berbanding dalam mod tepat.

Peraturannya mudah: jika dokumen mempunyai sesuatu yang anda sendiri terpaksa menjeling untuk membacanya, pilih mod tepat. Ia lebih perlahan, tetapi menjimatkan anda daripada membuat kerja yang sama dua kali.

Bahasa: auto bermaksud dua bahasa serentak

Bahasa Inggeris dan Rusia tersedia, bersama mod auto.

Mod automatik tidak meneka bahasa. Ia mengecam dokumen dalam kedua-dua bahasa serentak, sesuai untuk teks yang satu bahasanya diselit nama, kod dan istilah daripada bahasa yang satu lagi. Harganya ialah kelajuan dan sedikit kehilangan ketepatan pada teks seragam.

Jika seluruh dokumen dalam satu bahasa, memilih bahasa itu memberikan hasil yang sedikit lebih baik dan lebih pantas.

Apabila bahasa yang dipilih tidak tersedia, pengecaman tidak gagal: ia berjalan dengan bahasa yang terpasang dan melampirkan amaran berasingan yang menyebut bahasa yang anda minta dan bahasa yang digunakan. Amaran itu patut dibaca dan bukan ditutup begitu sahaja: bahasa yang diganti secara senyap menerangkan hasil yang pelik lebih baik daripada sebarang andaian.

Satu catatan tentang dokumen dalam bahasa lain. Tulisan Latin dikecam oleh pek bahasa Inggeris, tetapi tanda diakritik hilang atau rosak dalam prosesnya: teks Perancis dan Jerman keluar dengan boleh dibaca tetapi ada ralat pada aksen. Sistem tulisan selain Latin dan Sirilik tidak disokong langsung.

Cara menjalankan pengecaman

1. Buka OCR PDF dalam talian dan muat naik dokumen. 2. Pilih bahasa. Auto untuk teks campuran, bahasa tertentu untuk teks seragam. 3. Tetapkan mod tepat jika dokumen mengandungi cetakan kecil. 4. Jalankan tugas dan muat turun hasilnya. 5. Buka fail dan cari perkataan yang anda tahu ada pada imbasan. Itulah semakan yang paling pantas.

Pelurusan dan kosnya

Satu suis berasingan meluruskan halaman yang senget sebelum pengecaman. Ia dimatikan secara lalai, dan ada sebabnya.

Pelurusan dikenakan pada salinan sementara halaman, iaitu yang dibaca oleh pengecaman, dan lapisan teks kemudian diletakkan di atas halaman asal yang tidak dibetulkan. Pada imbasan yang sangat senget, ini menghasilkan anjakan: teks tidak kelihatan itu terputar berbanding huruf yang kelihatan.

Carian tidak terjejas, perkataan masih ditemui. Pemilihan dengan tetikus pula terjejas: kotak pilihan jatuh jauh dari huruf, dan menyalin sesuatu petikan menjadi sukar.

Pertukaran ini disengajakan, kerana halaman asal dibiarkan tidak diusik. Jika kecondongan teruk, lebih baik luruskan dokumen sebelum pengecaman, dengan Putar PDF dalam talian untuk putaran sudut tepat atau dengan membina semula imbasan melalui Imbas ke PDF dalam talian, yang mempunyai pelurusan sebenar.

Apa yang tidak dilakukan oleh pengecaman

Ia tidak membaiki sumber. Foto yang kabur, silau lampu merentasi satu baris, bayang tangan pada separuh halaman: semuanya kekal, dan pengecaman pada tempat sebegitu menghasilkan aksara karut atau melangkaunya.

Ia tidak membaca tulisan tangan. Alat ini dibina untuk cetakan.

Ia tidak menghasilkan teks yang bermakna dari segi undang-undang. Lapisan hasil pengecaman mengandungi ralat dan tidak boleh dijadikan salinan dokumen. Ia wujud untuk carian dan untuk sistem yang memerlukan lapisan teks, bukan untuk dipetik.

Dan ia tidak memulihkan resolusi. Jika imbasan asal dibuat pada 75 titik per inci, mod tepat memaparkannya pada 300, tetapi tiada huruf tambahan muncul: gambar yang kabur hanya menjadi lebih besar. Kualiti pengecaman ditentukan oleh sumber, bukan oleh tetapan.

Kedudukan pengecaman dalam rantaian operasi

Susunan langkah lebih penting daripada yang disangka, dan ada satu peraturan: pengecaman dilakukan sebelum pemampatan.

Pengecaman bekerja daripada imej halaman. Pemampatan melalui Mampatkan PDF dalam talian merosakkan imej itu: ia merendahkan resolusi dan menambah artifak di sekeliling huruf. Susunan sebaliknya menghasilkan jauh lebih banyak ralat dalam teks, dan selepas itu tiada apa-apa lagi untuk membetulkannya.

Penggabungan dan pemutaran juga dilakukan sebelum pengecaman: kedua-duanya mengubah halaman mana yang wujud dan bagaimana arahnya, sedangkan lapisan teks terikat pada halaman tertentu.

Jika yang anda perlukan bukan fail dengan lapisan teks tetapi teks itu sendiri sebagai fail berasingan, PDF ke teks dalam talian wujud untuk tujuan itu: ia mengekstrak kandungan ke dalam fail teks biasa yang dipecahkan mengikut halaman.

Penulis

Disediakan oleh pasukan iHatePDF; perkhidmatan ini diuruskan oleh Sergey Gagin.

Tentang projek

Soalan Lazim

Tidak. Imej halaman kekal seperti asal dan lapisan teks tidak kelihatan ditambah di atasnya. Dari segi paparan, fail itu tidak dapat dibezakan daripada yang asal, manakala carian dan salin mula berfungsi.
Hampir tiada apa-apa: halaman yang sudah mengandungi teks dilangkau tanpa diproses. Ini memudahkan dokumen campuran yang sebahagian halamannya ditaip dan sebahagian lagi diimbas.
Bahasa Inggeris dan Rusia. Mod auto mengecam kedua-duanya serentak, sesuai untuk dokumen dengan teks campuran. Jika bahasa yang dipilih tidak tersedia, pengecaman berjalan dengan bahasa yang ada dan memaklumkannya dalam amaran berasingan.
Tidak. Aliran kerja asas boleh digunakan tanpa membuat akaun.
Fail hanya digunakan untuk operasi yang dipilih dan dipadam secara automatik selepas pemprosesan selesai. Kami tidak menggunakan dokumen yang dimuat naik untuk melatih model AI.

Lagi daripada kelompok ini

Alat berkaitan

← Semua alat Pengoptimuman

Apa yang perlu dilakukan seterusnya

Jika anda perlukan langkah praktikal seterusnya atau maklumat tentang perkhidmatan, buka salah satu halaman ini.

Semua alat

Katalog alat PDF untuk mencantum, memampat, memisah, menukar, memutar, melindungi dan membuka kunci fail secara dalam talian dalam talian.

Soalan Lazim

Dapatkan jawapan tentang akaun iHatePDF, pemprosesan fail, had muat naik, akses mudah alih, privasi dan tindakan apabila alat PDF memaparkan ralat.

Hubungi

Hubungi iHatePDF tentang ralat pemprosesan, pemilihan alat, keselamatan, pertanyaan perniagaan dan cadangan ciri baharu.