İçeriğe geç
Makale

Taranmış PDF'de OCR ile metin nasıl tanınır

Tanıma, bozulmamış sayfa görüntüsünün üstüne görünmez bir metin katmanı ekler. Varsayılan kalite modu, otomatik dil seçimi ve eğiklik düzeltmenin neden kapalı olduğu.

Kısaca: OCR sayfanın görünümünü değiştirmez: görüntünün üstüne görünmez bir metin katmanı eklenir, arama ve kopyalama çalışmaya başlar. Metni olan sayfalar atlanır. Kalite modu aslında bir işleme çözünürlüğüdür: hızlı mod 100 DPI, hassas mod 300 DPI verir.

Konu merkezi

adım adım rehber

adım adım rehber: PDF guidance for reliable document processing and quality checks.

13 makale

Ana araç

PDF'yi çevrimiçi OCR ile okuyun

Aracı bu makaleden açın ve işlemi mevcut dilde tamamlayın.

Aracı aç

İçindekiler

PDF'de metin tanıma: taranmış belgeye ne olur

Taranmış belge belge gibi görünür, belge gibi okunur, ama herhangi bir program için o yalnızca bir resimdir. İçinde arama yapamazsınız, bir sözleşme numarasını kopyalayamazsınız; metin arayan bir başvuru formu da dosyayı boş sayıp reddeder.

Metin tanıma tam olarak bu sorunu çözer ve bunu anlamaya değer bir yöntemle yapar: hiçbir şeyi yeniden yazmaz.

Dosyaya tam olarak ne eklenir

Sayfa görüntüsüne dokunulmaz. Üstüne ikinci bir katman gelir: harflerin resimde durduğu yere yerleştirilmiş ve görünmez yapılmış metin.

Sonucun bütün özellikleri bundan çıkar. Dosya görsel olarak aslından ayırt edilemez: aynı kâğıt, aynı kaşeler, varsa aynı eğiklik. Buna karşın arama kelimeleri bulur, çift tıklama bir satırı seçer, kopyalama gerçek metin verir.

Aynı durum, görünüşü önemli olan belgelerde tanımanın neden güvenli olduğunu da açıklar. İmzalı taranmış bir sözleşme OCR'den sonra da aynı imzalı taramadır; yalnızca aranabilir hale gelmiştir.

Metin içeren sayfalar atlanır

İşlemden önce her sayfada metin katmanı olup olmadığına bakılır; metin katmanı olan sayfalar hiç tanınmaz.

Bunun iki pratik sonucu var.

Karışık belgeler ek çaba gerektirmeden doğru işlenir. Dosyanın bir kısmı metin düzenleyicide yazılmış, bir kısmı tarama olarak eklenmişse yalnızca ikinci kısım tanınır. Yazılmış metin tanınmış bir kopyayla değiştirilmeden asıl haliyle kalır. Bu önemlidir, çünkü asıl metin kesindir, tanınan metinde ise hata bulunur.

Sıradan bir metin PDF'sinde OCR çalıştırmak neredeyse hiçbir şey yapmaz ve hiçbir şeye zarar vermez. Elinizdeki belgenin tarama olup olmadığını bilmediğinizde bu işinize yarar: belgeyi doğrudan araca verin.

İşin süresi de aynı mantıkla belirlenir. Süre belgedeki sayfa sayısına değil, metni olmayan sayfaların sayısına bağlıdır. İçine beş tarama eklenmiş iki yüz sayfalık bir rapor, beş sayfanın süresinde işlenir.

Üç kalite modu aslında üç çözünürlüktür

Kalite seçimi tek bir şeyi belirler: sayfanın tanımadan önce hangi çözünürlükte işlendiğini.

ModÇözünürlükNe zaman seçilir
Hızlı100 DPIİri ve net yazı, kabaca kontrol
Dengeli150 DPISıradan belgeler, sözleşmeler, sertifikalar
Hassas300 DPIKüçük yazı, dipnotlar, kötü kopyalar

Varsayılan mod dengeli moddur ve bunu akılda tutmak gerekir. İnç başına yüz elli nokta başlıklar ve ana metin için yeterlidir, ama küçük dipnotlar, tablolardaki rakamlar ve kaşeler hassas moddakinden daha kötü çıkar.

Kural basit: belgede kendinizin de gözünüzü kısarak okuduğunuz bir yer varsa hassas modu seçin. Daha yavaştır, ama işi iki kez yapmaktan kurtarır.

Dil: otomatik, iki dil birden demektir

İngilizce ve Rusça seçilebilir; bir de otomatik mod vardır.

Otomatik mod dili tahmin etmez. Belgeyi iki dilde birden tanır; bu, bir dildeki metne öbür dilden adların, kodların ve terimlerin serpiştirildiği belgeler için uygundur. Bedeli hız ve tek dilli metinde küçük bir doğruluk kaybıdır.

Belge tamamen tek dildeyse o dili seçmek biraz daha iyi ve daha hızlı sonuç verir.

Seçilen dil kullanılamıyorsa tanıma hata vermez: yüklü olan dille çalışır ve istediğiniz dili de uygulanan dili de belirten ayrı bir uyarı ekler. Bu uyarıyı kapatmak yerine okumaya değer: sessizce değiştirilmiş bir dil, tuhaf bir sonucu her türlü tahminden daha iyi açıklar.

Başka dillerdeki belgeler hakkında bir not. Latin alfabesi İngilizce paketle tanınır, ama aksanlı harfler bu sırada kaybolur veya bozulur: Fransızca ve Almanca metinler okunabilir çıkar, ancak aksanlarda hata olur. Latin ve Kiril dışındaki yazı sistemleri hiç desteklenmez.

Tanıma nasıl çalıştırılır

1. PDF'yi çevrimiçi OCR ile okuyun aracını açın ve belgeyi yükleyin. 2. Dili seçin. Karışık metin için otomatik, tek dilli metin için belirli bir dil. 3. Belgede küçük yazı varsa hassas modu seçin. 4. İşi çalıştırın ve sonucu indirin. 5. Dosyayı açın ve taramada olduğunu bildiğiniz bir kelimeyi arayın. Bu, en hızlı kontrol yoludur.

Eğiklik düzeltme ve bedeli

Ayrı bir anahtar, eğik sayfaları tanımadan önce düzeltir. Varsayılan olarak kapalıdır ve bunun bir nedeni vardır.

Düzeltme, sayfanın geçici bir kopyasına uygulanır ve tanıma bu kopyayı okur; metin katmanı ise düzeltilmemiş asıl sayfanın üstüne yerleştirilir. Çok eğik bir taramada bu bir kaymaya yol açar: görünmez metin, görünen harflere göre döner.

Aramada sorun çıkmaz, kelime yine bulunur. Sorun fareyle seçimde ortaya çıkar: seçim kutusu harflerden uzağa düşer ve bir bölümü kopyalamak zorlaşır.

Bu denge bilerek seçilmiştir, çünkü asıl sayfalara dokunulmaz. Eğiklik fazlaysa daha iyi yol, belgeyi tanımadan önce düzeltmektir: dik açılı dönüşler için PDF döndür çevrimiçi aracını kullanın ya da gerçek eğiklik düzeltmesi sunan PDF'ye tara çevrimiçi aracıyla taramayı yeniden oluşturun.

Tanımanın yapmadıkları

Kaynağı iyileştirmez. Bulanık bir fotoğraf, satırın üstüne düşen lamba yansıması, sayfanın yarısını kaplayan el gölgesi: hepsi olduğu gibi kalır ve böyle bir yerde tanıma anlamsız karakterler üretir ya da orayı atlar.

El yazısını okumaz. Araç basılı yazı için yapılmıştır.

Hukuki geçerliliği olan bir metin üretmez. Tanınan katman hata içerir ve belgenin kopyası yerine geçemez. Arama ve metin katmanı isteyen sistemler için vardır; alıntı yapmak için değil.

Çözünürlüğü de geri getirmez. Kaynak tarama inç başına 75 noktayla yapıldıysa hassas mod onu 300'de işler, ama fazladan harf ortaya çıkmaz: bulanık resim yalnızca büyür. Tanıma kalitesini ayar değil, kaynak belirler.

Tanıma işlem zincirinde nereye konur

Sıra göründüğünden önemlidir ve tek bir kural vardır: tanıma sıkıştırmadan önce yapılır.

Tanıma sayfa görüntüsüyle çalışır. PDF sıkıştır çevrimiçi aracıyla sıkıştırma bu görüntüyü bozar: çözünürlüğü düşürür ve harflerin çevresinde artefaktlar oluşturur. Ters sırada metinde belirgin biçimde daha çok hata çıkar ve sonradan bunları düzeltecek bir şey kalmaz.

Birleştirme ve döndürme de tanımadan önce yapılmalıdır: hangi sayfaların bulunduğunu ve nasıl yönlendirildiğini onlar değiştirir, metin katmanı ise belirli bir sayfaya bağlıdır.

İhtiyacınız metin katmanlı bir dosya değil, metnin kendisiyse, ayrı bir dosya olarak, bunun için PDF'den metne çevrimiçi aracı vardır: içeriği sayfalara bölünmüş düz bir metin dosyasına çıkarır.

Yazar

iHatePDF ekibi hazırladı; hizmetten Sergey Gagin sorumludur.

Proje hakkında

SSS

Hayır. Sayfa görüntüsü olduğu gibi kalır, üstüne görünmez bir metin katmanı eklenir. Dosya görsel olarak aslından ayırt edilemez, ama arama ve kopyalama çalışmaya başlar.
Pratikte hiçbir şey olmaz: metni olan sayfalar işlenmeden atlanır. Bazı sayfaları yazılmış, bazıları taranmış karışık belgeler için bu çok rahattır.
İngilizce ve Rusça. Otomatik mod ikisini birden tanır; bu, karışık metinli belgelere uygundur. Seçilen dil kullanılamıyorsa tanıma, kullanılabilir olan dille çalışır ve bunu ayrı bir uyarıyla bildirir.
Hayır. Temel kullanım için hesap oluşturmanız gerekmez.
Dosyalar yalnızca seçtiğiniz işlem için kullanılır ve işlem bittikten sonra otomatik olarak silinir. Yüklenen belgeleri yapay zekâ modellerini eğitmek için kullanmıyoruz.

Bu konu merkezinden daha fazlası

İlgili araçlar

← Tüm araçlar: Optimizasyon

Sırada ne yapmalı

Okuduktan sonra uygulayabileceğiniz bir sonraki adımı ya da hizmetle ilgili bilgileri arıyorsanız bu sayfalara göz atın.

Tüm araçlar

PDF araçları kataloğu: PDF dosyalarını çevrimiçi birleştirin, sıkıştırın, bölün, dönüştürün, döndürün, koruyun ve kilidini açın.

SSS

iHatePDF hesapları, dosya işleme, yükleme sınırları, mobil erişim, gizlilik ve bir PDF aracı hata verdiğinde yapılacaklar hakkında yanıtlar bulun.

İletişim

İşlem hataları, araç seçimi, güvenlik, iş birliği talepleri ve yeni özellik önerileri için iHatePDF ile iletişime geçin.