วิธีจดจำข้อความในไฟล์ PDF ที่สแกนด้วย OCR
สรุปสั้นๆ: OCR ไม่เปลี่ยนหน้าตาของหน้าเอกสาร ระบบเพียงวางชั้นข้อความที่มองไม่เห็นทับภาพ ทำให้ค้นหาและคัดลอกได้ หน้าที่มีข้อความอยู่แล้วจะถูกข้าม จริง ๆ แล้วโหมดคุณภาพคือความละเอียดในการเรนเดอร์ โหมดเร็วใช้ 100 DPI โหมดแม่นยำใช้ 300
กลุ่มบทความ
คู่มือทีละขั้นตอน
คู่มือทีละขั้นตอน: PDF guidance for reliable document processing and quality checks.
เครื่องมือหลัก
OCR PDF ออนไลน์
เปิดเครื่องมือจากบทความนี้ แล้วทำงานต่อในภาษาที่คุณใช้อยู่
เปิดเครื่องมือสารบัญ
การจดจำข้อความใน PDF: สิ่งที่เกิดขึ้นกับเอกสารสแกน
เอกสารที่สแกนมาดูเหมือนเอกสารและอ่านได้เหมือนเอกสาร แต่สำหรับโปรแกรมทุกตัวแล้วมันเป็นเพียงรูปภาพ คุณค้นหาในไฟล์ไม่ได้ คัดลอกเลขที่สัญญาออกมาไม่ได้ และแบบฟอร์มรับเอกสารที่ตรวจหาข้อความก็จะปฏิเสธไฟล์นี้ เพราะมองว่าเป็นไฟล์เปล่า
การจดจำข้อความ (OCR) แก้ปัญหานี้ได้พอดี และทำด้วยวิธีที่ควรทำความเข้าใจไว้ คือไม่เขียนทับหรือแก้ไขอะไรในเอกสารเดิมเลย
สิ่งที่ถูกเพิ่มเข้าไปในไฟล์จริง ๆ
ภาพของหน้าเอกสารยังคงเดิมทุกอย่าง จากนั้นจะมีชั้นข้อความอีกชั้นวางทับลงไป เป็นข้อความที่จัดตำแหน่งให้ตรงกับตัวอักษรในภาพ และถูกทำให้มองไม่เห็น
คุณสมบัติทุกอย่างของผลลัพธ์มาจากข้อเท็จจริงข้อนี้ เมื่อมองด้วยตา ไฟล์ใหม่แยกไม่ออกจากต้นฉบับ กระดาษเดิม ตราประทับเดิม และถ้าต้นฉบับเอียง ก็เอียงเหมือนเดิม ขณะเดียวกัน การค้นหาจะเจอคำ ดับเบิลคลิกจะเลือกได้ทั้งบรรทัด และการคัดลอกจะได้ข้อความจริง
ด้วยเหตุผลเดียวกัน การจดจำข้อความจึงปลอดภัยสำหรับเอกสารที่หน้าตามีความสำคัญ สัญญาที่สแกนพร้อมลายเซ็น เมื่อทำ OCR แล้วก็ยังเป็นภาพสแกนเดิมที่มีลายเซ็นเดิม เพียงแต่ค้นหาได้แล้วเท่านั้น
หน้าที่มีข้อความอยู่แล้วจะถูกข้าม
ก่อนประมวลผล ระบบจะตรวจทุกหน้าว่ามีชั้นข้อความหรือไม่ หน้าที่มีชั้นข้อความอยู่แล้วจะไม่ถูกนำไปจดจำข้อความเลย
ผลที่ตามมาในทางปฏิบัติมีสองข้อ
เอกสารแบบผสมจัดการได้ถูกต้องโดยไม่ต้องทำอะไรเพิ่ม ถ้าบางส่วนของไฟล์พิมพ์ในโปรแกรมแก้ไขข้อความ และอีกส่วนวางเข้ามาเป็นภาพสแกน ระบบจะจดจำเฉพาะส่วนหลัง ข้อความที่พิมพ์ไว้จะคงเป็นต้นฉบับ ไม่ถูกแทนที่ด้วยสำเนาที่ได้จากการจดจำ ซึ่งสำคัญ เพราะข้อความต้นฉบับถูกต้องแม่นยำ ส่วนข้อความที่จดจำได้มีข้อผิดพลาดปนอยู่
การทำ OCR กับไฟล์ PDF ข้อความทั่วไปแทบไม่เปลี่ยนอะไรและไม่ทำให้เสียหาย จึงสะดวกเมื่อคุณไม่แน่ใจว่าเอกสารตรงหน้าเป็นภาพสแกนหรือไม่ ส่งผ่านเครื่องมือไปได้เลย
หลักการเดียวกันนี้กำหนดเวลาที่งานใช้ด้วย เวลาไม่ได้ขึ้นกับจำนวนหน้าทั้งหมดของเอกสาร แต่ขึ้นกับจำนวนหน้าที่ไม่มีข้อความ รายงานสองร้อยหน้าที่มีภาพสแกนแทรกอยู่ห้าหน้าจะใช้เวลาเท่ากับการประมวลผลห้าหน้า
โหมดคุณภาพทั้งสามคือความละเอียดสามระดับ
ตัวเลือกคุณภาพควบคุมสิ่งเดียวเท่านั้น คือความละเอียดที่ใช้เรนเดอร์หน้าก่อนจดจำข้อความ
| โหมด | ความละเอียด | เลือกเมื่อใด |
|---|---|---|
| เร็ว | 100 DPI | ตัวอักษรขนาดใหญ่และชัด ต้องการตรวจดูคร่าว ๆ |
| สมดุล | 150 DPI | เอกสารทั่วไป สัญญา ใบรับรอง |
| แม่นยำ | 300 DPI | ตัวอักษรขนาดเล็ก เชิงอรรถ สำเนาคุณภาพไม่ดี |
ค่าเริ่มต้นคือโหมดสมดุล ข้อนี้ควรจำไว้ 150 จุดต่อนิ้วเพียงพอสำหรับหัวข้อและเนื้อหาหลัก แต่เชิงอรรถตัวเล็ก ตัวเลขในตาราง และตราประทับ ยังได้ผลแย่กว่าที่ได้จากโหมดแม่นยำ
หลักง่าย ๆ คือ ถ้าในเอกสารมีส่วนไหนที่คุณเองยังต้องเพ่งอ่าน ให้เลือกโหมดแม่นยำ แม้จะช้ากว่า แต่ช่วยให้ไม่ต้องทำงานซ้ำสองรอบ
ภาษา: โหมดอัตโนมัติคือสองภาษาพร้อมกัน
ภาษาที่เลือกได้คืออังกฤษและรัสเซีย รวมถึงโหมดอัตโนมัติ
โหมดอัตโนมัติไม่ได้เดาภาษา แต่จดจำเอกสารเป็นทั้งสองภาษาพร้อมกัน เหมาะกับข้อความที่ภาษาหนึ่งมีชื่อ รหัส และศัพท์เฉพาะจากอีกภาษาแทรกอยู่ สิ่งที่แลกมาคือความเร็วและความแม่นยำที่ลดลงเล็กน้อยกับข้อความที่ใช้ภาษาเดียวล้วน
ถ้าเอกสารเป็นภาษาเดียวทั้งฉบับ การเลือกภาษานั้นโดยตรงจะได้ผลดีกว่าและเร็วกว่าเล็กน้อย
เมื่อภาษาที่เลือกไม่พร้อมใช้งาน การจดจำข้อความจะไม่ล้มเหลว แต่จะทำงานด้วยภาษาที่ติดตั้งอยู่ และแนบคำเตือนแยกต่างหากที่ระบุทั้งภาษาที่คุณขอและภาษาที่ใช้จริง ควรอ่านคำเตือนนี้ อย่าปิดทิ้ง เพราะภาษาที่ถูกสลับโดยไม่แจ้งอธิบายผลลัพธ์แปลก ๆ ได้ดีกว่าการคาดเดาใด ๆ
หมายเหตุเกี่ยวกับเอกสารในภาษาอื่น อักษรละตินจะถูกจดจำด้วยชุดภาษาอังกฤษ แต่เครื่องหมายกำกับเสียงจะหายหรือเพี้ยน ข้อความภาษาฝรั่งเศสและเยอรมันอ่านออก แต่มีข้อผิดพลาดตรงเครื่องหมายเหล่านี้ ส่วนระบบการเขียนอื่นนอกจากละตินและซีริลลิกยังไม่รองรับเลย
วิธีเรียกใช้การจดจำข้อความ
1. เปิด OCR PDF ออนไลน์ แล้วอัปโหลดเอกสาร 2. เลือกภาษา ใช้โหมดอัตโนมัติกับข้อความผสม และเลือกภาษาเฉพาะกับข้อความภาษาเดียว 3. ตั้งเป็นโหมดแม่นยำ หากเอกสารมีตัวอักษรขนาดเล็ก 4. สั่งเริ่มงานแล้วดาวน์โหลดผลลัพธ์ 5. เปิดไฟล์แล้วค้นหาคำที่คุณรู้ว่ามีอยู่ในภาพสแกน นี่คือวิธีตรวจที่เร็วที่สุด
การปรับภาพให้ตรงและสิ่งที่ต้องแลก
มีสวิตช์แยกต่างหากที่ปรับหน้าที่เอียงให้ตรงก่อนจดจำข้อความ ตามค่าเริ่มต้นปิดอยู่ และมีเหตุผลรองรับ
การปรับให้ตรงทำกับสำเนาชั่วคราวของหน้า ซึ่งเป็นสิ่งที่ระบบนำไปอ่าน จากนั้นชั้นข้อความจะถูกวางทับบนหน้าต้นฉบับที่ไม่ได้แก้ไข ในภาพสแกนที่เอียงมาก จะเกิดการเหลื่อมกัน คือข้อความที่มองไม่เห็นหมุนไม่ตรงกับตัวอักษรที่มองเห็น
การค้นหาไม่ได้รับผลกระทบ ยังเจอคำเหมือนเดิม แต่การลากเลือกด้วยเมาส์ได้รับผลกระทบ กรอบที่เลือกจะอยู่ห่างจากตัวอักษร และการคัดลอกข้อความบางช่วงจะลำบาก
ข้อแลกเปลี่ยนนี้เป็นการตัดสินใจโดยตั้งใจ เพราะหน้าต้นฉบับยังคงไม่ถูกแก้ไข หากเอกสารเอียงมาก วิธีที่ดีกว่าคือปรับเอกสารให้ตรงก่อนการจดจำข้อความ โดยใช้ หมุน PDF ออนไลน์ สำหรับการหมุนเป็นมุมฉาก หรือสร้างภาพสแกนใหม่ผ่าน สแกนเป็น PDF ออนไลน์ ซึ่งมีการปรับภาพให้ตรงจริง
สิ่งที่การจดจำข้อความทำไม่ได้
ไม่ทำให้ต้นฉบับดีขึ้น ภาพถ่ายเบลอ แสงไฟสะท้อนพาดผ่านบรรทัด เงามือที่บังครึ่งหน้า ทั้งหมดยังคงอยู่ และการจดจำข้อความตรงจุดเช่นนั้นจะได้ตัวอักษรมั่วหรือถูกข้ามไป
ไม่อ่านลายมือ เครื่องมือนี้สร้างมาสำหรับตัวอักษรที่พิมพ์
ไม่ให้ข้อความที่มีผลทางกฎหมาย ชั้นข้อความที่จดจำได้มีข้อผิดพลาด จึงใช้เป็นสำเนาของเอกสารไม่ได้ มีไว้เพื่อการค้นหาและระบบที่ต้องการชั้นข้อความ ไม่ใช่เพื่อการอ้างอิงคำต่อคำ
และไม่คืนความละเอียดให้ภาพ หากภาพสแกนต้นฉบับทำไว้ที่ 75 จุดต่อนิ้ว โหมดแม่นยำจะเรนเดอร์ที่ 300 แต่ตัวอักษรไม่ได้เพิ่มขึ้นมา เป็นเพียงภาพเบลอที่ใหญ่ขึ้น คุณภาพของการจดจำข้อความถูกกำหนดโดยต้นฉบับ ไม่ใช่โดยการตั้งค่า
การจดจำข้อความอยู่ตรงไหนในลำดับการทำงาน
ลำดับสำคัญกว่าที่คิด และมีกฎข้อเดียว คือทำการจดจำข้อความก่อนการบีบอัด
การจดจำข้อความทำงานจากภาพของหน้า การบีบอัดผ่าน บีบอัด PDF ออนไลน์ ทำให้ภาพนั้นเสื่อมคุณภาพ คือลดความละเอียดและเพิ่มสิ่งรบกวนภาพรอบตัวอักษร การสลับลำดับจะได้ข้อความที่ผิดพลาดมากขึ้นอย่างเห็นได้ชัด และหลังจากนั้นก็ไม่เหลืออะไรให้แก้ไขได้อีก
การรวมไฟล์และการหมุนหน้าก็ควรทำก่อนการจดจำข้อความเช่นกัน เพราะสองอย่างนี้เปลี่ยนว่ามีหน้าใดบ้างและแต่ละหน้าหันไปทางไหน ขณะที่ชั้นข้อความผูกอยู่กับหน้าใดหน้าหนึ่งโดยเฉพาะ
หากสิ่งที่คุณต้องการไม่ใช่ไฟล์ที่มีชั้นข้อความ แต่เป็นตัวข้อความแยกเป็นอีกไฟล์ ให้ใช้ PDF เป็นข้อความ ออนไลน์ ซึ่งดึงเนื้อหาออกมาเป็นไฟล์ข้อความธรรมดาที่แบ่งตามหน้า
ผู้เขียน
จัดทำโดยทีม iHatePDF โดยมี Sergey Gagin เป็นผู้รับผิดชอบบริการ
คำถามที่พบบ่อย
เพิ่มเติมจากกลุ่มนี้
คู่มือทีละขั้นตอน
วิธีแปลง PDF เป็น Word ที่แก้ไขได้
เปิดไฟล์ใน Word แล้วแต่เคอร์เซอร์เข้าไปในข้อความไม่ได้? ทำไมค่าเริ่มต้นถึงให้ภาพ โหมดข้อความที่แก้ไขได้ต่างจากโหมดเหมือนต้นฉบับอย่างไร และหัวกระดาษหายไปไหน
คู่มือทีละขั้นตอน
วิธีดึงตารางจาก PDF ไปยัง Excel
จาก PDF ไป Excel: ชีตใดบ้างที่อยู่ในเวิร์กบุ๊กที่ดาวน์โหลด โหมดตรวจจับทั้งสามต่างกันอย่างไรในทางปฏิบัติ และทำไมโหมดหลวมจึงพบตารางมากกว่าแต่ตัดคำขาด
คู่มือทีละขั้นตอน
วิธีแยกหน้า PDF ออกเป็นไฟล์ใหม่
ดึงเฉพาะหน้าที่ต้องการจาก PDF เป็นไฟล์แยก: โหมดผลลัพธ์สองแบบต่างกันอย่างไร ทำไมไฟล์ในอาร์ไคฟ์จึงใช้เลขหน้าเดิม และการปิดการคงขนาดหน้าให้ผลอย่างไร
เครื่องมือที่เกี่ยวข้อง
OCR PDF ออนไลน์
ใช้ OCR ดึงข้อความจาก PDF ได้บนหน้าเว็บเดียว: อัปโหลดไฟล์ต้นฉบับ ตรวจสอบตัวเลือก เรียกใช้การประมวลผล และดาวน์โหลดผลลัพธ์
PDF เป็นข้อความออนไลน์
ดึงข้อความจาก PDF เป็นไฟล์ข้อความธรรมดา เพื่อคัดลอกเนื้อหาโดยไม่มีการจัดรูปแบบและเลย์เอาต์
บีบอัด PDF ออนไลน์
ลดขนาดไฟล์ PDF เพื่อส่งอีเมลหรืออัปโหลดในแบบฟอร์ม เลือกระดับที่ตั้งไว้หรือขนาดเป้าหมาย แล้วตรวจความชัดเจนและขนาดไฟล์ที่ได้ก่อนนำไปแชร์
หมุน PDF ออนไลน์
แก้ทิศทางหน้า PDF เมื่อภาพสแกนหรือบางหน้าตะแคงหรือกลับหัว
ขั้นตอนถัดไป
เครื่องมือทั้งหมด
รวมเครื่องมือ PDF: รวม บีบอัด แยก แปลง หมุน ป้องกัน และปลดล็อกไฟล์ PDF ออนไลน์ ทั้งหมดออนไลน์
คำถามที่พบบ่อย
คำตอบเรื่องบัญชี iHatePDF การประมวลผลไฟล์ ขีดจำกัดการอัปโหลด ความเป็นส่วนตัว และข้อผิดพลาด
ติดต่อเรา
ติดต่อ iHatePDF เรื่องข้อผิดพลาดในการประมวลผล การเลือกเครื่องมือ ความปลอดภัย ข้อเสนอทางธุรกิจ และข้อเสนอแนะฟีเจอร์ใหม่